ازگر میں گہری وراثت کی کارکردگی کے اثرات کا تجزیہ کرنا

وسیع طبقاتی وراثت کی قیمت کی کھوج کرنا

آبجیکٹ پر مبنی پروگرامنگ میں ، وراثت ایک طاقتور طریقہ کار ہے جو کوڈ کو دوبارہ استعمال اور درجہ بندی کی ساخت کی اجازت دیتا ہے۔ تاہم ، جب کلاس بہت بڑی تعداد میں والدین کی کلاسوں سے وراثت میں ملتی ہے تو کیا ہوتا ہے؟ such اس طرح کے سیٹ اپ کی کارکردگی کے مضمرات پیچیدہ اور غیر معمولی ہوسکتے ہیں۔

ازگر ، ایک متحرک زبان ہونے کے ناطے ، طریقہ ریزولوشن آرڈر (ایم آر او) کے ذریعہ وصف کی تلاش کو حل کرتا ہے۔ اس کا مطلب یہ ہے کہ جب کوئی مثال کسی وصف تک رسائی حاصل کرتی ہے تو ، ازگر اپنی وراثت کی زنجیر میں تلاش کرتا ہے۔ لیکن کیا والدین کی کلاسوں کی تعداد انتساب تک رسائی کی رفتار کو نمایاں طور پر متاثر کرتی ہے؟

اس کا جواب دینے کے ل we ، ہم نے وراثت کی بڑھتی ہوئی سطح کے ساتھ متعدد کلاس تشکیل دے کر ایک تجربہ کیا۔ صفات تک رسائی کے ل taken وقت کی پیمائش کرکے ، ہمارا مقصد یہ طے کرنا ہے کہ کارکردگی میں کمی لکیری ، کثیر الجہتی ، یا یہاں تک کہ صریح ہے۔ 🚀

یہ نتائج ان ڈویلپرز کے لئے بہت اہم ہیں جو گہرے وراثت کے ڈھانچے کے ساتھ بڑے پیمانے پر ایپلی کیشنز کو ڈیزائن کرتے ہیں۔ کارکردگی کی ان خصوصیات کو سمجھنے سے باخبر تعمیراتی فیصلے کرنے میں مدد مل سکتی ہے۔ آئیے ڈیٹا میں غوطہ لگائیں اور نتائج کو دریافت کریں! 📊

گہری وراثت کی کارکردگی کے اثرات کو سمجھنا

مذکورہ اسکرپٹ کا مقصد گہرائی میں وراثت میں ملنے والی کلاسوں کی کارکردگی کے اثرات کا اندازہ کرنا ہے ازگر. اس تجربے میں وراثت کے مختلف ڈھانچے کے ساتھ متعدد کلاس بنانا اور ان کی صفات تک رسائی کے ل required مطلوبہ وقت کی پیمائش کرنا شامل ہے۔ بنیادی خیال یہ طے کرنا ہے کہ آیا ذیلی طبقات میں اضافہ ایک کی طرف جاتا ہے لکیری، متعدد ، یا وصف بازیافت میں کفایت شعاری کی سست روی۔ ایسا کرنے کے ل we ، ہم متحرک طور پر کلاس تیار کرتے ہیں ، صفات تفویض کرتے ہیں ، اور کارکردگی کے بینچ مارکنگ کی تکنیک کا استعمال کرتے ہیں۔ 🕒

استعمال شدہ کلیدی احکامات میں سے ایک ہے قسم ()، جو ہمیں متحرک طور پر کلاس بنانے کی اجازت دیتا ہے۔ دستی طور پر 260 مختلف کلاسوں کی وضاحت کرنے کے بجائے ، ہم ان کو مکھی پر پیدا کرنے کے لئے استعمال کرتے ہیں۔ یہ اسکیل ایبلٹی کے لئے بہت ضروری ہے ، کیونکہ دستی طور پر ہر طبقے کو لکھنا ناکارہ ہوگا۔ متحرک طور پر بنائے گئے کلاسز کو سب کلاس کے ناموں کے ٹیوپل کا استعمال کرتے ہوئے متعدد والدین کی کلاسوں سے وارث ہوتا ہے۔ یہ سیٹ اپ ہمیں یہ دریافت کرنے کی اجازت دیتا ہے کہ جب وصف کی تلاش کو ایک لمبی وراثت کی زنجیر کو عبور کرنے کی ضرورت ہوتی ہے تو ازگر کا طریقہ ریزولوشن آرڈر (ایم آر او) کارکردگی کو کس طرح متاثر کرتا ہے۔

کارکردگی کی پیمائش کے ل we ، ہم استعمال کرتے ہیں وقت () سے وقت ماڈیول 25 لاکھ بار صفات تک رسائی سے پہلے اور اس کے بعد ٹائم اسٹیمپس پر قبضہ کرکے ، ہم یہ طے کرسکتے ہیں کہ ازگر کتنی جلدی اقدار کو بازیافت کرتا ہے۔ اس کے علاوہ ، getattr () براہ راست وصف تک رسائی کے بجائے استعمال کیا جاتا ہے۔ اس سے یہ یقینی بنتا ہے کہ ہم حقیقی دنیا کے منظرناموں کی پیمائش کر رہے ہیں جہاں وصف ناموں کو سخت کوڈ نہیں کیا جاسکتا ہے بلکہ متحرک طور پر بازیافت کیا جاسکتا ہے۔ مثال کے طور پر ، بڑے پیمانے پر ایپلی کیشنز جیسے ویب فریم ورک یا او آر ایم سسٹم میں ، صفات کو کنفیگریشن یا ڈیٹا بیس سے متحرک طور پر حاصل کیا جاسکتا ہے۔ 📊

آخر میں ، ہم ان کے اثرات کا تجزیہ کرنے کے لئے مختلف طبقاتی ڈھانچے کا موازنہ کرتے ہیں۔ نتائج سے پتہ چلتا ہے کہ اگرچہ سست روی کسی حد تک لکیری ہے ، لیکن ایسی بے ضابطگییاں ہیں جہاں کارکردگی غیر متوقع طور پر ڈوبتی ہے ، جس سے یہ معلوم ہوتا ہے کہ ازگر کی بنیادی اصلاحات ایک کردار ادا کرسکتی ہیں۔ یہ بصیرت ڈویلپرز کے لئے مفید ہیں جو گہری وراثت کے ساتھ پیچیدہ نظام کی تعمیر کرتے ہیں۔ وہ اس وقت اجاگر کرتے ہیں جب متبادل نقطہ نظر کو استعمال کرنا بہتر ہے ، جیسے وراثت سے زیادہ ساخت ، یا بہتر کارکردگی کے لئے لغت پر مبنی وصف اسٹوریج۔

from time import time
TOTAL_ATTRS = 260
attr_names = [f"a{i}" for i in range(TOTAL_ATTRS)]
all_defaults = {name: i + 1 for i, name in enumerate(attr_names)}
class Base: pass
subclasses = [type(f"Sub_{i}", (Base,), {attr_names[i]: all_defaults[attr_names[i]]}) for i in range(TOTAL_ATTRS)]
MultiInherited = type("MultiInherited", tuple(subclasses), {})
instance = MultiInherited()
t = time()
for _ in range(2_500_000):
    for attr in attr_names:
        getattr(instance, attr)
print(f"Access time: {time() - t:.3f}s")

from time import time
TOTAL_ATTRS = 260
attr_names = [f"a{i}" for i in range(TOTAL_ATTRS)]
class Optimized:
    def __init__(self):
        self.attrs = {name: i + 1 for i, name in enumerate(attr_names)}
instance = Optimized()
t = time()
for _ in range(2_500_000):
    for attr in attr_names:
        instance.attrs[attr]
print(f"Optimized access time: {time() - t:.3f}s")

بڑے وراثت کے درجہ بندی میں ازگر کی کارکردگی کو بہتر بنانا

ازگر کے وراثت کے نظام کا ایک اہم پہلو یہ ہے کہ یہ کس طرح متعدد والدین کی کلاسوں میں صفات کو حل کرتا ہے۔ یہ عمل پیروی کرتا ہے طریقہ ریزولوشن آرڈر (ایم آر او)، جو اس ترتیب کو حکم دیتا ہے جس میں ازگر کسی شے کے وراثت کے درخت میں کسی وصف کی تلاش کرتا ہے۔ جب ایک طبقہ بہت سے والدین سے وراثت میں ہوتا ہے تو ، ازگر کو صفات تلاش کرنے کے لئے ایک لمبا راستہ عبور کرنا چاہئے ، جو کارکردگی کو متاثر کرسکتا ہے۔ 🚀

وصف کی تلاش سے پرے ، میموری کے استعمال کے ساتھ ایک اور چیلنج پیدا ہوتا ہے۔ ازگر میں ہر کلاس میں ایک لغت ہے __dict__ جو اس کی صفات کو محفوظ کرتا ہے۔ جب ایک سے زیادہ کلاسوں سے وراثت میں ہوتا ہے تو ، میموری کے نقشوں میں اضافہ ہوتا ہے کیونکہ ازگر کو لازمی طور پر تمام وراثت میں ملنے والی صفات اور طریقوں سے باخبر رہنا چاہئے۔ اس سے میموری کی کھپت میں اضافہ ہوسکتا ہے ، خاص طور پر ایسے معاملات میں جہاں ہزاروں ذیلی طبقات شامل ہیں۔

گہری وراثت کا عملی متبادل ہے وراثت سے زیادہ ساخت. Instead of creating deeply nested class structures, developers can use object composition, where a class contains instances of other classes instead of inheriting from them. This method reduces complexity, improves maintainability, and often leads to better performance. For example, in a game engine, instead of having a deep hierarchy like `Vehicle -> Car ->. گہری گھوںسلا طبقاتی ڈھانچے بنانے کے بجائے ، ڈویلپر آبجیکٹ کی تشکیل کا استعمال کرسکتے ہیں ، جہاں ایک کلاس میں وراثت میں ملنے کے بجائے دیگر کلاسوں کی مثال موجود ہوتی ہے۔ یہ طریقہ پیچیدگی کو کم کرتا ہے ، برقرار رکھنے میں بہتری لاتا ہے ، اور اکثر بہتر کارکردگی کا باعث بنتا ہے۔ مثال کے طور پر ، گیم انجن میں ، `گاڑی -> کار -> الیکٹرک کار` جیسے گہری درجہ بندی رکھنے کے بجائے ، ایک `گاڑی` کلاس میں ایک` موٹر` آبجیکٹ شامل ہوسکتا ہے ، جس سے یہ زیادہ ماڈیولر اور موثر بن جاتا ہے۔ 🔥