Проблема
Я заметил, что память, выделенная при повторении через объект Pandas GroupBy, не освобождается после итерации. Я использую resource.getrusage(resource.RUSAGE_SELF).ru_maxrss
(второй ответ в этом сообщении для подробностей), чтобы измерить общий объем активной памяти, используемой процессом Python.
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()
печатает следующую общую активную память (в gb)
0.671732
1.297424
1.297952
1.923288
1.923288
2.548624
Решение
Раскомментирование del idx, x
и gc.collect()
устраняет проблему. Тем не менее у меня есть del
все переменные, которые ссылаются на DataFrames, возвращаемые путем итерации по группе (что может быть болью в зависимости от кода во внутреннем цикле). Новые способы использования печатной памяти:
0.671768
1.297412
1.297992
1.297992
1.297992
1.297992
В качестве альтернативы я могу раскомментировать gb = list(gb)
. Полученные в результате операции памяти примерно такие же, как в предыдущем решении:
1.32874
1.32874
1.32874
1.32874
1.32874
1.32874
Вопросы
- Почему память для DataFrames, полученная в результате итерации через группу, не освобождается после завершения итерации?
- Есть ли лучшее решение, чем два выше? Если нет, то какое из этих двух решений "лучше"?