python使用函数可以减少内存吗_在python中调用函数后不会释放内存

我用memory_profiler玩了一段时间，从下面的小程序中得到了这个有趣但令人困惑的结果：import pandas as pd

import numpy as np

@profile

def f(p):

tmp = []

for _, frame in p.iteritems():

tmp.append([list(record) for record in frame.to_records(index=False)])

# initialize a list of pandas panels

lp = []

for j in xrange(50):

d = {}

for i in xrange(50):

df = pd.DataFrame(np.random.randn(200, 50))

d[i] = df

lp.append(pd.Panel(d))

# execution (iteration)

for panel in lp:

f(panel)

然后，如果我使用memory_profiler的mprof来分析运行时的内存使用情况，mprof run test.py而不使用任何其他参数，我会得到：

。在

每次函数调用f（）后似乎都有未释放的内存。在

tmp只是一个本地列表，每次调用f（）时都应重新分配和重新分配内存。很明显，在所附的图表中有一些差异。我知道python有它自己的内存管理块，也有int和其他类型的空闲列表，gc.collect()应该能做到这一点。结果是显式的gc.collect()不起作用。（也许是因为我们正在研究熊猫的物体、面板和框架？我不知道。）

最令人困惑的部分是，我不更改或修改f()中的任何变量。它所做的只是在本地列表中放置一些列表表示副本。因此python不需要复制任何东西。那么为什么会发生这种情况呢？在

==============

其他一些观察结果：

1）如果我用f(panel.copy())（最后一行代码）调用f()，传递的是副本而不是原始对象引用，则会得到完全不同的内存使用结果：

。python是否明智地告诉我们传递的值是一个副本，这样它就可以在每次函数调用后执行一些内部技巧来释放内存？在

2）我想可能是因为df.to_records()。如果我把它改成frame.values，我会得到类似的平坦内存曲线，就像上面所示的memory_profiling_results_2.png，在迭代过程中（虽然我确实需要to_records()，因为它维护列数据类型，而.values则会扰乱数据类型）。但我查过了帧.py的实现。我不明白为什么它会保留内存，而.values却可以正常工作。在

我在Windows上运行这个程序，使用python2.7.8、memory_profiler 0.43和psutil 5.0.1。在