martedì 24 febbraio 2026

Corso di Programmazione Strutturata e OOP: 5 Gestione della memoria

 


💾 5 Gestione della Memoria

Quando programmiamo, ogni dato che utilizziamo – numeri, stringhe, immagini, strutture complesse – deve essere memorizzato in uno spazio fisico: la memoria RAM. Comprendere come questa viene organizzata e gestita significa entrare nel livello strutturale dell’informatica, dove efficienza, velocità e stabilità del software dipendono da scelte progettuali consapevoli.

La gestione della memoria non è solo un dettaglio tecnico: è uno degli elementi che distingue un codice “che funziona” da un codice robusto, scalabile e performante.

📌 Cos'è la memoria in un programma

La memoria è uno spazio indirizzabile composto da celle numerate (indirizzi). Ogni cella può contenere una quantità limitata di dati. Quando scriviamo:

x = 5

accadono diverse operazioni invisibili:

  1. Viene creato un oggetto intero con valore 5.
  2. Questo oggetto viene allocato in memoria.
  3. Il nome x diventa un riferimento a quell’oggetto.

È importante comprendere che in Python le variabili non contengono direttamente il valore, ma un riferimento a un oggetto memorizzato altrove.

Stack e Heap (concetto generale)

In molti linguaggi la memoria si divide concettualmente in:

  • Stack → memoria veloce, organizzata in modo strutturato (variabili locali, chiamate di funzione).
  • Heap → memoria dinamica, usata per oggetti creati durante l’esecuzione.

Python gestisce automaticamente queste aree, ma internamente utilizza meccanismi simili.

📦 Variabili, strutture dati e spazio occupato

🔹 Variabili semplici

Un intero (int) o un booleano occupano meno memoria rispetto a strutture complesse, ma in Python anche gli interi sono oggetti, quindi hanno un overhead interno (metadati, gestione del tipo, contatore di riferimenti).

Esempio:

a = 10
b = 10

In Python, piccoli interi possono essere condivisi (ottimizzazione interna), quindi a e b possono riferirsi allo stesso oggetto in memoria.

🔹 Liste

Una lista non contiene direttamente i valori, ma riferimenti agli oggetti.

lista = [1, 2, 3]

In memoria abbiamo:

  • L’oggetto lista
  • Tre oggetti intero
  • Tre riferimenti nella lista

Questo significa che una lista cresce in modo dinamico e può richiedere riallocazioni di memoria quando aumenta di dimensione.

🔹 Dizionari

I dizionari utilizzano tabelle hash. Ogni elemento richiede:

  • Chiave
  • Valore
  • Calcolo hash
  • Struttura di gestione collisioni

Sono estremamente veloci nelle ricerche, ma consumano più memoria rispetto a una lista equivalente.

🔹 Array vs Liste

Strutture come gli array (ad esempio tramite librerie scientifiche) sono più efficienti perché memorizzano dati omogenei in modo contiguo, riducendo overhead e migliorando la località di memoria.

📏 Cosa significa “occupare spazio”?

Ogni oggetto occupa:

  • Spazio per il valore
  • Spazio per il tipo
  • Spazio per il contatore di riferimenti
  • Eventuale spazio per strutture interne

Un programma è “pesante” quando:

  • Crea troppi oggetti inutili
  • Duplica dati invece di riutilizzarli
  • Mantiene riferimenti non necessari
  • Usa strutture complesse quando non servono

Esempio inefficiente:

numeri = []
for i in range(1000000):
    numeri.append(i)

Se i dati non servono tutti contemporaneamente, una soluzione più efficiente potrebbe essere usare un generatore, che non carica tutto in memoria.

🧹 Garbage Collection in Python

Python utilizza due meccanismi principali:

1️⃣ Reference Counting

Ogni oggetto ha un contatore di riferimenti. Quando il contatore scende a zero, l’oggetto viene eliminato.

a = [1, 2, 3]
b = a
del a

L’oggetto non viene eliminato finché b esiste.

2️⃣ Garbage Collector Ciclico

Gestisce i riferimenti circolari, cioè oggetti che si riferiscono tra loro impedendo al contatore di scendere a zero.

Esempio concettuale:

a = []
b = []
a.append(b)
b.append(a)

Qui i due oggetti si referenziano reciprocamente.

Python interviene periodicamente per liberare memoria in questi casi.

⚠ Tuttavia, il Garbage Collector non è una soluzione magica: mantenere oggetti inutilizzati rallenta comunque il sistema.

⚠️ Errori comuni

❌ Variabili non inizializzate

Provocano errori di runtime e indicano cattiva gestione dello stato del programma.

❌ Sovrascrittura involontaria

lista = [1,2,3]
lista = 5

Il nome cambia significato, generando potenziali bug logici.

❌ Copie inutili

nuova_lista = lista[:]

Se non necessario, questa operazione raddoppia l’uso di memoria.

❌ Memory leak logici

In Python non sono comuni come in C/C++, ma possono verificarsi quando oggetti restano referenziati senza necessità.

🚀 Strategie per scrivere codice più efficiente

  • Usare generatori (yield) per grandi sequenze
  • Eliminare variabili inutilizzate (del)
  • Riutilizzare strutture dati quando possibile
  • Scegliere la struttura dati più adatta
  • Evitare copie profonde non necessarie
  • Profilare la memoria con strumenti dedicati

🔬 Attività pratiche approfondite

🔎 1. Visualizzazione della memoria

Utilizzare strumenti didattici come:

  • pythontutor.com

Osservare:

  • Creazione oggetti
  • Riferimenti
  • Eliminazione variabili

Obiettivo: sviluppare consapevolezza visiva dei meccanismi interni.

📊 2. Analisi comparata

Confrontare:

Versione inefficiente

lista = [i for i in range(1000000)]
somma = sum(lista)

Versione ottimizzata

somma = sum(i for i in range(1000000))

Misurare:

  • Tempo di esecuzione
  • Consumo di memoria

🧪 3. Laboratorio guidato

Progetto: analizzatore di dati numerici

Obiettivo:

  • Leggere numeri
  • Calcolare media
  • Non conservare dati inutili

Soluzione efficiente:

  • Elaborazione progressiva
  • Uso minimo di memoria
  • Nessuna lista intermedia

🎯 Conclusione

La gestione della memoria è il punto di incontro tra teoria dell’informazione, architettura dei calcolatori e qualità del software.

Comprendere:

  • Come vengono allocati gli oggetti
  • Come funzionano i riferimenti
  • Quando la memoria viene liberata
  • Come scegliere le strutture dati

significa scrivere programmi più veloci, più puliti e più professionali.

Un buon programmatore non pensa solo a “far funzionare” il codice: pensa a come occupa lo spazio, quanto consuma e quanto può scalare nel tempo.

🧪 Verifica le tue conoscenze

1. Cosa fa la garbage collection in Python?

2. Cosa succede se usi una variabile non inizializzata?

3. Quale delle seguenti strutture occupa in genere più memoria?

Punteggio: 0/3

lunedì 23 febbraio 2026

Corso di Programmazione Strutturata e OOP: 4 Debugging trovare e correggere errori

 


🔧 4 DEBUGGING: TROVARE E CORREGGERE ERRORI

Questa guida è strutturata per trasformare il debugging da momento di frustrazione a processo metodico di indagine scientifica. Debuggare non significa solo "aggiustare il codice", ma comprendere profondamente il flusso d'esecuzione del software.

1. Tassonomia degli Errori: Identificare il Nemico

In Python, non tutti gli errori si manifestano allo stesso modo. Saperli distinguere è il primo passo per risolverli.

  • Errori Sintattici (Syntax Errors): Sono violazioni delle regole grammaticali del linguaggio. Il codice non viene nemmeno avviato.

    • Esempio: if x = 5: (manca il doppio uguale) o una parentesi non chiusa.

  • Errori di Runtime (Exceptions): Il codice è scritto bene, ma accade qualcosa di imprevisto durante l'esecuzione che il computer non sa gestire.

    • Esempio: 10 / 0 (ZeroDivisionError) o cercare di aprire un file che non esiste.

  • Errori Logici (Semantic Errors): I più insidiosi. Il programma gira senza errori, ma il risultato è sbagliato.

    • Esempio: Calcolare la media dividendo per un numero errato o usare > al posto di <.

2. Strategie di Debugging: L'Approccio Metodico

Invece di cambiare il codice a caso sperando che funzioni, segui queste tecniche:

  1. Isolamento (Divide et Impera): Se hai un programma di 100 righe, commentane una parte o sposta le funzioni sospette in un file separato per testarle singolarmente.

  2. Stampe di Controllo (Print Debugging): Inserire print(f"Valore di x: {x}") prima e dopo un'operazione critica per verificare se i dati sono quelli attesi.

  3. Rubber Duck Debugging: Spiegare il codice riga per riga a un oggetto inanimato (o a un collega). Spesso l'errore balza all'occhio nell'atto di verbalizzare la logica.

3. Strumenti Avanzati: Usare l'IDE come un Chirurgo

I moderni ambienti di sviluppo (IDE) offrono strumenti molto più potenti della semplice stampa a video.

Breakpoints e Step Execution

  • Breakpoint: Un "posto di blocco" che metti su una riga di codice. L'esecuzione si fermerà esattamente lì.

  • Step Over: Esegue la riga corrente e passa alla successiva.

  • Step Into: Entra dentro una funzione per vedere cosa succede al suo interno.

  • Variable Watch: Una finestra che mostra il valore di tutte le variabili attive. Se vedi un None dove ti aspetti un numero, hai trovato il colpevole.

Consiglio didattico: Su Thonny, l'icona della "fogliolina" (Debug current script) permette di vedere Python che valuta ogni singola sotto-espressione, ideale per i principianti.

4. Decifrare il Traceback (Il Messaggio di Errore)

Il Traceback è la "scatola nera" del tuo crash. Va letto dal basso verso l'alto:

  1. L'ultima riga ti dice cosa è successo (es. NameError: name 'y' is not defined).

  2. Le righe precedenti ti dicono dove è successo (file e numero di riga).

5. Attività Didattiche Proposte

AttivitàDescrizioneObiettivo
Caccia al BugFornire un codice che calcola l'area del cerchio ma usa + invece di *.Distinguere tra errore logico e sintattico.
Diario del DebugChiedere allo studente di scrivere: "Cosa pensavo facesse il codice" vs "Cosa faceva davvero".Sviluppare metacognizione.
Analisi del FlussoUsare il debugger di VS Code per monitorare un ciclo for che non termina mai.Capire il controllo di flusso e le condizioni di uscita.

Corso di Programmazione Strutturata e OOP: 5 Gestione della memoria

  💾 5  Gestione della Memoria Quando programmiamo, ogni dato che utilizziamo – numeri, stringhe, immagini, strutture complesse – deve esse...