python - Pandas :这里的内存泄漏在哪里？

Question

我在 python 中使用 pandas 库时遇到内存泄漏问题。我在我的类中创建了 pandas.dataframe 对象，并且我有方法可以根据我的条件更改数据帧的大小。更改数据框大小并创建新的 pandas 对象后，我在类里面重写了原始的 pandas.dataframe。但是即使在显着减少初始表之后，内存使用率也非常高。一些简短示例的代码(我没有编写进程管理器，请参阅任务管理器):

import time, string, pandas, numpy, gc
class temp_class ():

    def __init__(self, nrow = 1000000, ncol = 4, timetest = 5):

        self.nrow = nrow
        self.ncol = ncol
        self.timetest = timetest

    def createDataFrame(self):

        print('Check memory before dataframe creating')
        time.sleep(self.timetest)
        self.df = pandas.DataFrame(numpy.random.randn(self.nrow, self.ncol),
            index = numpy.random.randn(self.nrow), columns = list(string.letters[0:self.ncol]))
        print('Check memory after dataFrame creating')
        time.sleep(self.timetest)

    def changeSize(self, from_ = 0, to_ = 100):

        df_new = self.df[from_:to_].copy()
        print('Check memory after changing size')
        time.sleep(self.timetest)

        print('Check memory after deleting initial pandas object')
        del self.df
        time.sleep(self.timetest)

        print('Check memory after deleting copy of reduced pandas object')
        del df_new
        gc.collect()
        time.sleep(self.timetest)

if __name__== '__main__':

    a = temp_class()
    a.createDataFrame()
    a.changeSize()

• 在创建数据框之前，我有大约。 15 mb 的内存使用量

• 创建后 - 67mb

• 更改大小后 - 67 mb

• 删除原始数据框后 - 35mb

• 删除缩减表后 - 31 mb。

16 MB？

我在 Windows 7 (x64) 机器上使用 python 2.7.2(x32)，pandas。版本 是 0.7.3。 numpy.version 是 1.6.1

Answer 1

需要指出的几点:

1. 在“Check memory after changing size”中，你还没有删除原来的DataFrame，所以这会使用更多的内存

2. Python 解释器对占用操作系统内存有点贪心。

我对此进行了调查，可以向您保证 pandas 不会泄漏内存。我正在使用 memory_profiler (http://pypi.python.org/pypi/memory_profiler) 包:

import time, string, pandas, numpy, gc
from memory_profiler import LineProfiler, show_results
import memory_profiler as mprof

prof = LineProfiler()

@prof
def test(nrow=1000000, ncol = 4, timetest = 5):
    from_ = nrow // 10
    to_ = 9 * nrow // 10
    df = pandas.DataFrame(numpy.random.randn(nrow, ncol),
                          index = numpy.random.randn(nrow),
                          columns = list(string.letters[0:ncol]))
    df_new = df[from_:to_].copy()
    del df
    del df_new
    gc.collect()

test()
# for _ in xrange(10):
#     print mprof.memory_usage()

show_results(prof)

这是输出

10:15 ~/tmp $ python profmem.py 
Line #    Mem usage  Increment   Line Contents
==============================================
     7                           @prof
     8     28.77 MB    0.00 MB   def test(nrow=1000000, ncol = 4, timetest = 5):
     9     28.77 MB    0.00 MB       from_ = nrow // 10
    10     28.77 MB    0.00 MB       to_ = 9 * nrow // 10
    11     59.19 MB   30.42 MB       df = pandas.DataFrame(numpy.random.randn(nrow, ncol),
    12     66.77 MB    7.58 MB                             index = numpy.random.randn(nrow),
    13     90.46 MB   23.70 MB                             columns = list(string.letters[0:ncol]))
    14    114.96 MB   24.49 MB       df_new = df[from_:to_].copy()
    15    114.96 MB    0.00 MB       del df
    16     90.54 MB  -24.42 MB       del df_new
    17     52.39 MB  -38.15 MB       gc.collect()

所以确实，使用的内存比我们开始时多。但是它漏水了吗？

for _ in xrange(20):
    test()
    print mprof.memory_usage()

并输出:

10:19 ~/tmp $ python profmem.py 
[52.3984375]
[122.59375]
[122.59375]
[122.59375]
[122.59375]
[122.59375]
[122.59375]
[122.59375]
[122.59375]
[122.59375]
[122.59375]
[122.59375]
[122.59375]
[122.59375]
[122.59375]
[122.59375]
[122.59375]
[122.59765625]
[122.59765625]
[122.59765625]

因此，实际上发生的事情是，Python 进程正在占用一个内存池，因为它一直在使用内存池，以避免必须不断地从主机操作系统请求更多内存(然后释放它)。我不知道这背后的所有技术细节，但至少这是正在发生的事情。