Python列表内存优化：树莓派实时数据预测的旧元素清理方案

完全可以通过删除旧数据来控制内存占用，这种滚动窗口的方式是实时数据处理中常用的内存优化手段，能确保列表始终只保留预测所需的最新数据，避免内存持续增长耗尽资源。

原代码问题分析 #

你的当前代码每次循环都会将整个data1列表转换为DataFrame，且data1无限制追加数据，长期运行必然导致内存占用越来越高。

修改后的代码实现 #

下面是优化后的代码，实现“保留最新100个数据，自动删除更早元素”的逻辑：

import numpy as np
import pandas as pd
import board
import adafruit_mpu6050
import time

i2c = board.I2C()
mpu = adafruit_mpu6050.MPU6050(i2c)
# 修正原代码：将加速度计范围设置生效
mpu.accelerometer_range = adafruit_mpu6050.Range.RANGE_4_G

data1 = []
# 定义要保留的最新数据量（即窗口大小）
WINDOW_SIZE = 100

while True:
    ax, ay, az = mpu.acceleration
    magnitude = np.sqrt(np.square(ax) + np.square(ay) + np.square(az))
    data1.append([magnitude])
    
    # 当数据量足够时执行预测
    if len(data1) >= WINDOW_SIZE:
        # 仅用最新的100个数据生成DataFrame，避免处理全量数据
        df = pd.DataFrame(data1[-WINDOW_SIZE:])
        
        # --------------------------
        # 在这里插入你的实时预测代码
        # 例如：prediction = your_model.predict(df)
        # --------------------------
        
        # 预测完成后，截断列表，只保留最新的100个元素
        # 直接取最后WINDOW_SIZE个元素，比逐个删除更高效
        data1 = data1[-WINDOW_SIZE:]
    
    # 添加小延迟，降低树莓派CPU占用率
    time.sleep(0.01)

关键优化点 #

1. 滚动窗口截断：通过data1 = data1[-WINDOW_SIZE:]直接保留最新100个元素，操作高效且内存占用稳定。
2. 按需生成DataFrame：仅用最新的窗口数据生成DataFrame，避免每次循环处理全量历史数据。
3. 修正加速度计设置：原代码仅赋值了mpu_accelerometer_range但未生效，修改为直接设置mpu.accelerometer_range。
4. CPU占用优化：添加time.sleep(0.01)避免循环过于频繁占用过多CPU资源。

更进一步的内存优化 #

如果不需要保留完整的列表结构，还可以用固定大小的numpy数组循环覆盖数据，内存占用完全固定，更适合长期运行：

import numpy as np
import board
import adafruit_mpu6050
import time

i2c = board.I2C()
mpu = adafruit_mpu6050.MPU6050(i2c)
mpu.accelerometer_range = adafruit_mpu6050.Range.RANGE_4_G

WINDOW_SIZE = 100
# 创建固定大小的numpy数组，初始化为0
data_array = np.zeros((WINDOW_SIZE, 1))
current_idx = 0

while True:
    ax, ay, az = mpu.acceleration
    magnitude = np.sqrt(np.square(ax) + np.square(ay) + np.square(az))
    # 循环覆盖数组中的旧数据
    data_array[current_idx] = magnitude
    current_idx = (current_idx + 1) % WINDOW_SIZE
    
    # 当数组被完整填充一次后，开始执行预测
    if current_idx == 0:
        # --------------------------
        # 在这里使用data_array执行预测
        # 例如：prediction = your_model.predict(data_array)
        # --------------------------
        pass
    
    time.sleep(0.01)

这种方式无需维护列表的增删操作，内存占用始终为WINDOW_SIZE * 单个数据大小，是资源受限设备（如树莓派）的最优选择。

内容的提问来源于stack exchange，提问作者DholuBholu