del语句可能有用，但IIRC不能保证释放内存。医生来了…这里有一个不发布的原因。

我听说有人在Linux和unix类型的系统上使用python进程来做一些工作，得到结果，然后终止它。

本文介绍了Python垃圾收集器，但我认为缺乏内存控制是托管内存的缺点

其他人已经发布了一些方法，您可以“哄骗”Python解释器释放内存(或以其他方式避免内存问题)。你应该先尝试他们的想法。但是，我觉得有必要直接回答你的问题。

实际上没有任何方法可以直接告诉Python释放内存。事实是，如果你想要这么低的控制级别，你将不得不用C或c++写一个扩展。

也就是说，有一些工具可以帮助解决这个问题:

cython 痛饮 提高python

正如其他答案已经说过的，Python可以避免释放内存给操作系统，即使Python代码不再使用内存(因此gc.collect()不会释放任何东西)，特别是在长时间运行的程序中。无论如何，如果您在Linux上，您可以尝试通过直接调用libc函数malloc_trim(手册页)来释放内存。 喜欢的东西:

import ctypes
libc = ctypes.CDLL("libc.so.6")
libc.malloc_trim(0)

del语句可能有用，但IIRC不能保证释放内存。医生来了…这里有一个不发布的原因。

我听说有人在Linux和unix类型的系统上使用python进程来做一些工作，得到结果，然后终止它。

本文介绍了Python垃圾收集器，但我认为缺乏内存控制是托管内存的缺点

I had a similar problem in reading a graph from a file. The processing included the computation of a 200 000x200 000 float matrix (one line at a time) that did not fit into memory. Trying to free the memory between computations using gc.collect() fixed the memory-related aspect of the problem but it resulted in performance issues: I don't know why but even though the amount of used memory remained constant, each new call to gc.collect() took some more time than the previous one. So quite quickly the garbage collecting took most of the computation time.

为了解决内存和性能问题，我改用了我曾经在某个地方读过的多线程技巧(对不起，我再也找不到相关的帖子了)。之前，我在一个大的for循环中读取文件的每一行，处理它，并每隔一段时间运行gc.collect()来释放内存空间。现在我调用一个函数，在一个新线程中读取和处理文件的一个块。一旦线程结束，内存就会自动释放，而不会出现奇怪的性能问题。

实际上它是这样工作的:

from dask import delayed  # this module wraps the multithreading
def f(storage, index, chunk_size):  # the processing function
    # read the chunk of size chunk_size starting at index in the file
    # process it using data in storage if needed
    # append data needed for further computations  to storage 
    return storage

partial_result = delayed([])  # put into the delayed() the constructor for your data structure
# I personally use "delayed(nx.Graph())" since I am creating a networkx Graph
chunk_size = 100  # ideally you want this as big as possible while still enabling the computations to fit in memory
for index in range(0, len(file), chunk_size):
    # we indicates to dask that we will want to apply f to the parameters partial_result, index, chunk_size
    partial_result = delayed(f)(partial_result, index, chunk_size)

    # no computations are done yet !
    # dask will spawn a thread to run f(partial_result, index, chunk_size) once we call partial_result.compute()
    # passing the previous "partial_result" variable in the parameters assures a chunk will only be processed after the previous one is done
    # it also allows you to use the results of the processing of the previous chunks in the file if needed

# this launches all the computations
result = partial_result.compute()

# one thread is spawned for each "delayed" one at a time to compute its result
# dask then closes the tread, which solves the memory freeing issue
# the strange performance issue with gc.collect() is also avoided

(del可以成为你的朋友，因为当没有其他引用时，它将对象标记为可删除。现在，CPython解释器通常会保留这个内存以供以后使用，所以您的操作系统可能看不到“释放”的内存。)

通过对数据使用更紧凑的结构，也许一开始就不会遇到内存问题。 因此，与标准数组模块或第三方numpy模块使用的格式相比，数字列表的内存效率要低得多。您可以通过将顶点放在NumPy 3xN数组中，将三角形放在n元素数组中来节省内存。