memtool 0.1.0

Memory management and manual allocation library for Python using C

🧠 memtool — Control de memoria manual en Python con C

memtool es un framework experimental que permite trabajar con arrays en Python controlando directamente la memoria mediante punteros escritos en C. Proporciona acceso de bajo nivel a la memoria, permitiendo realizar operaciones como reserva, lectura, escritura, escalado, relleno, producto punto y conversión directa a NumPy, todo con rendimiento casi nativo.

---

✨ Características principales

• Acceso manual a memoria con punteros desde Python
• Tipos soportados: int, float, double
• Operaciones: malloc, set, get, free, sum, scale, fill, dot, to_numpy()
• Sin garbage collector → control total de recursos
• Compatible con NumPy sin copia de memoria
• Clases IntArray, FloatArray, DoubleArray con estilo Pythonic

---

⚡ Motivación

Python es muy fácil de usar, pero lento para ciertas tareas. NumPy es rápido, pero no ofrece control sobre la memoria. memtool busca combinar lo mejor de ambos mundos:

💡 "Velocidad y control de C, con la interfaz amigable de Python."

Ideal para ciencia de datos, ingeniería de datos, procesamiento por lotes, o microservicios que requieren rendimiento extremo.

---

📂 Instalación (modo desarrollo)

git clone https://github.com/tuusuario/memtool.git
cd memtool
python3 setup.py build
python3 setup.py install --user  # o usa venv

---

📃 Ejemplo rápido

from memtool import IntArray

arr = IntArray(5, init_sequence=True)  # [0, 1, 2, 3, 4]
print(arr.sum())         # 10
arr.scale(2)             # [0, 2, 4, 6, 8]
arr.fill(1)              # [1, 1, 1, 1, 1]
print(arr.dot(arr))      # 5

np_arr = arr.to_numpy()
print(np_arr)            # [1 1 1 1 1]

---

📈 Benchmark (suma de 10M de elementos)

[Python puro]      ≈ 0.18s
[NumPy]            ≈ 0.010s
[memtool (C)]      ≈ 0.020s

memtool está muy cerca de NumPy en rendimiento, pero con control total sobre la memoria.

---

🌐 Uso avanzado con NumPy y FastAPI

Puedes usar to_numpy() para convertir directamente un puntero a np.ndarray:

np_arr = arr.to_numpy()
plt.plot(np_arr)  # o guardarlo como CSV, usar con pandas, etc.

Y también podrías integrarlo en un microservicio con FastAPI:

@app.post("/dot")
def producto_punto(data: List[int]):
    a = IntArray(len(data), init_sequence=True)
    b = IntArray(len(data), init_sequence=True)
    return {"dot": a.dot(b)}

---

📄 Clases disponibles

IntArray(size, init_sequence=False)
FloatArray(size, init_sequence=False)
DoubleArray(size, init_sequence=False)

Cada una soporta:

• set(index, value) / get(index) / indexado []
• sum()
• scale(factor)
• fill(value)
• dot(other)
• to_numpy()
• free()

---

🌐 Estado actual

---

📅 Roadmap futuro

• 🔄 Compatibilidad con float16 y int64
• 🔄 Interfaz para pandas.Series y DataFrame
• 🔄 Validaciones avanzadas y manejo de errores
• 🔄 Extensiones con funciones vectoriales en C

---

👥 Autor

Desarrollado por [tu nombre o usuario de GitHub] con el objetivo de experimentar y crear una alternativa de alto rendimiento para tareas críticas con arrays en Python.

---

🏆 Licencia

MIT License. Libre para usar, modificar, aprender o contribuir.

---

🚀 Si te gustó este proyecto, ⭐ dale una estrella en GitHub y compartilo. Es solo el comienzo. 🚀