我有大量数据(一个 250,000 X 1,000 双倍数据立方体，大约 4 gig 文件)，我想使用我之前用 Python 编写的一组 OOP 类来操作它。目前数据集已经很大，要读入我的机器内存我必须至少将它分成两半，所以计算开销是一个问题。我的 OOP 类创建新对象(在本例中我将需要 250,000 个新对象，每个对象是一个包含 1,000 个 double 的数组)来处理数据。为通用 OOP 语言创建对象所需的内存和计算开销是多少？在 python ？在 C++ 中呢？
是的，我知道我可以创建一个数组类的新类。但是 1) 我已经完成了这些类，并且 2) 我将我创建的每个对象放回数组中以供以后访问。这个问题是教学性的
*更新:我想高效地利用时间，我的时间和电脑。如果不需要，我不想重写我已经拥有的程序，花时间优化代码会浪费我的时间，如果我浪费计算机时间，我不在乎那个。我实际上有一台带有 4Gig ram 的 64 位机器。数据是一张图像，我需要对每个像素进行多个过滤。*
最佳答案
参见 http://code.activestate.com/recipes/546530/
这是 Python 对象的近似大小。
OO 大小“惩罚”通常被以下能力所抵消:(a) 简化处理和 (b) 首先在内存中保留更少的内容。
没有 OO 性能开销。零。在 C++ 中，类定义被优化得不复存在，剩下的就是 C。在 Python 中——就像所有动态语言一样——动态编程环境添加了一些运行时查找。大多数情况下，这些是直接散列到字典中。它比编译器为您完成所有解析的代码慢。然而，它仍然非常快，开销相对较低。
C 中的错误算法很容易比 Python 中的正确算法慢。
关于python - 什么是面向对象编程的计算开销成本？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/372511/