嘿，我来帮你搞定这两个关于Python函数内存消耗的问题！

这个问题没有固定答案哦，完全取决于函数内部的具体操作：

• 如果函数只是做简单的数值计算（比如加减乘除），那几乎不会占用额外内存；
• 要是函数里创建了大列表、字典、numpy数组这类数据结构，或者加载了大文件，内存占用就会显著上升；
• 另外，Python的内存管理机制（比如引用计数、自动垃圾回收）也会影响——如果函数里的临时对象在执行过程中被销毁（比如用del删除，或者超出作用域），对应的内存会被释放，实际占用的峰值内存会比总分配内存低。

举个例子：生成包含100万个元素的列表，这个操作会占用大概几十MB的内存；而一个只返回两个数之和的函数，内存占用可以忽略不计。

你提到的memory_profiler其实也能实现总消耗统计，只是默认显示每行数据而已，我们可以用它的API手动计算总和。另外还有Python标准库自带的工具，给你两种实用方案：

方案一：基于memory_profiler的API统计总消耗 #

memory_profiler提供了memory_usage函数，可以跟踪函数执行过程中的内存变化，我们只需要取这段时间的内存峰值减去初始值，就能得到总消耗。代码示例：

from memory_profiler import memory_usage
import time

def target_func():
    # 模拟你的业务逻辑：创建大对象再释放
    large_data = [i * 2 for i in range(10**6)]
    time.sleep(0.2)  # 让内存状态稳定，方便统计
    del large_data
    time.sleep(0.2)

# 获取函数执行全程的内存使用数据（单位：MiB）
mem_stats = memory_usage((target_func,))
# 计算总消耗：峰值内存 - 初始内存
total_consumption = max(mem_stats) - min(mem_stats)
print(f"函数执行总内存消耗约为 {total_consumption:.2f} MiB")

方案二：用标准库tracemalloc统计 #

tracemalloc是Python3.4+自带的内存跟踪工具，不需要额外安装。它可以记录内存分配的细节，我们可以通过对比函数执行前后的快照，计算总分配的内存量：

import tracemalloc
import time

def target_func():
    large_data = [i * 2 for i in range(10**6)]
    time.sleep(0.2)
    del large_data
    time.sleep(0.2)

# 启动内存跟踪
tracemalloc.start()
# 记录执行前的内存快照
pre_snapshot = tracemalloc.take_snapshot()
# 执行目标函数
target_func()
# 记录执行后的内存快照
post_snapshot = tracemalloc.take_snapshot()

# 计算内存分配差值
diff_stats = post_snapshot.compare_to(pre_snapshot, 'lineno')
# 统计总分配的内存（转换为MiB）
total_allocated = sum(stat.size_diff for stat in diff_stats)
print(f"函数执行过程中总分配内存约为 {total_allocated / (1024*1024):.2f} MiB")

注意：tracemalloc统计的是总分配内存，包含函数执行过程中分配后又释放的内存；如果你想统计函数结束后仍留存的内存，可以用tracemalloc.get_traced_memory()获取当前跟踪的内存峰值与初始值的差值。

内容的提问来源于stack exchange，提问作者Cláudio Vitor Dantas