Μετάβαση στο κύριο περιεχόμενο
🔒 Λειτουργία προεπισκόπησης. Τα πρώτα δεκαπέντε μαθήματα Foundations είναι δωρεάν· αυτό είναι Pro. Ξεκινήστε ένα 7ήμερο trial για να ξεκλειδώσετε τον επεξεργαστή, τις υποδείξεις AI και το υπόλοιπο του προγράμματος. Απαιτείται κάρτα, ακυρώνετε οποιαδήποτε στιγμή από το Dashboard.Ξεκινήστε 7ήμερο trial →
⚡
← Μαθήματα›Senior Deep-DivesModule 4 · Memory + profiling · Recap›Χειρισμός σφαλμάτων: εξαιρέσεις έναντι τύπων αποτελεσμάτωνquiz86 / 161
+100 XP
Εργασία
📝 **Εργασία:** Δημιουργία ενός μικρού \`memory_estimator(rows, bytes_per_row, overhead_pct)\` που επιστρέφει τη συνολική μνήμη σε MB (float, 2 δεκαδικά): \`\`\` total_bytes = σειρές * bytes_per_row * (1 + overhead_pct / 100) mb = total_bytes / 1_000_000 # δεκαδικά MB — αντιστοιχεί στη σύμβαση Prometheus/Grafana γύρος επιστροφής (mb, 2) \`\`\` Δοκιμή για 3 ρεαλιστικές κλίμακες: μικρή μνήμη cache, μεσαίου μεγέθους panda DataFrame, μεγάλο σύνολο δεδομένων Redis. 📋 Υλοποιήστε την παραπάνω λειτουργία. Οι δοκιμές εκτελούνται αυτόματα. 💡 **Υπόδειξη:** Ξαναδιάβασε τη θεωρία αν κολλήσεις.
🎯 Κουίζ

Ερώτηση

📝 **Εργασία:** Δημιουργία ενός μικρού \`memory_estimator(rows, bytes_per_row, overhead_pct)\` που επιστρέφει τη συνολική μνήμη σε MB (float, 2 δεκαδικά): \`\`\` total_bytes = σειρές * bytes_per_row * (1 + overhead_pct / 100) mb = total_bytes / 1_000_000 # δεκαδικά MB — αντιστοιχεί στη σύμβαση Prometheus/Grafana γύρος επιστροφής (mb, 2) \`\`\` Δοκιμή για 3 ρεαλιστικές κλίμακες: μικρή μνήμη cache, μεσαίου μεγέθους panda DataFrame, μεγάλο σύνολο δεδομένων Redis. 📋 Υλοποιήστε την παραπάνω λειτουργία. Οι δοκιμές εκτελούνται αυτόματα. 💡 **Υπόδειξη:** Ξαναδιάβασε τη θεωρία αν κολλήσεις.