python - Pandas GroupBy 内存释放

Question

问题

我注意到在遍历 Pandas 时分配了内存 GroupBy迭代后对象不会被释放。我使用 resource.getrusage(resource.RUSAGE_SELF).ru_maxrss ( second answer in this post for details ) 来测量 Python 进程使用的事件内存总量。

import resource
import gc

import pandas as pd
import numpy as np

i = np.random.choice(list(range(100)), 4000)
cols = list(range(int(2e4)))

df = pd.DataFrame(1, index=i, columns=cols)

gb = df.groupby(level=0)
# gb = list(gb)
for i in range(3):
    print(resource.getrusage(resource.RUSAGE_SELF).ru_maxrss / 1e6)
    for idx, x in enumerate(gb):
        if idx == 0:
            print(resource.getrusage(resource.RUSAGE_SELF).ru_maxrss / 1e6)
    # del idx, x
    # gc.collect()

打印以下总事件内存(以 gb 为单位)

0.671732
1.297424
1.297952
1.923288
1.923288
2.548624

解决方案

取消注释 del idx, x 和 gc.collect() 可以解决问题。但是，我确实必须 del 所有引用通过迭代 groupby 返回的 DataFrames 的变量(这可能会很痛苦，具体取决于内部 for 循环中的代码)。新的打印内存使用量变为:

0.671768
1.297412
1.297992
1.297992
1.297992
1.297992

或者，我可以取消注释 gb = list(gb)。生成的内存使用情况与之前的解决方案大致相同:

1.32874
1.32874
1.32874
1.32874
1.32874
1.32874

问题

1. 为什么在迭代完成后，通过 groupby 迭代产生的 DataFrames 的内存没有被释放？
2. 有没有比以上两个更好的解决方案？如果不是，这两种解决方案中哪一种“更好”？

Answer 1

内存怪异

这非常有趣!您不需要 del idx, x。只有使用 gc.collect() 才能为我保持内存不变。这比在循环中包含 del 语句要干净得多。