一个即将调试的谜团:
import pandas as pd
import numpy as np
arr = np.random.randn(100000, 5)
def leak():
for i in xrange(10000):
df = pd.DataFrame(arr.copy())
result = df.xs(1000)
# result = df.ix[5000]
if __name__ == '__main__':
leak()
好的,总而言之,这已经完成了。 如果我将gc.collect添加到该for循环中,它将停止泄漏内存:
import pandas as pd
import numpy as np
import gc
arr = np.random.randn(100000, 5)
def leak():
pd.util.testing.set_trace()
for i in xrange(10000):
df = pd.DataFrame(arr.copy())
result = df.xs(1000)
gc.collect()
# result = df.ix[5000]
if __name__ == '__main__':
leak()
这里的对象仅在循环GC运行时才收集垃圾。 这里有什么解决方案,请在__del__
明确地中断循环,以便Python内存分配器停止对我们的破坏?
你可以尝试一下:
from ctypes import cdll, CDLL
import pandas as pd
import numpy as np
arr = np.random.randn(100000, 5)
cdll.LoadLibrary("libc.so.6")
libc = CDLL("libc.so.6")
def leak():
for i in xrange(10000):
libc.malloc_trim(0)
df = pd.DataFrame(arr.copy())
result = df.xs(1000)
# result = df.ix[5000]
if __name__ == '__main__':
leak()
我怀疑这与python无关,但是可以证实这一点。
是的,这似乎可以解决问题。 在IPython中运行它后,内存使用为450MB,然后malloc_trim释放了400MB。 很恶毒
在malloc_trim
领先之后,这看起来像是glibc优化出现了问题。
外部参照:
http://sourceware.org/bugzilla/show_bug.cgi?id=14827
参见“ fastbins”评论。
In [1]: from ctypes import Structure,c_int,cdll,CDLL
...: class MallInfo(Structure):
...: _fields_ =[
...: ( 'arena',c_int ), # /* Non-mmapped space allocated (bytes) */
...: ('ordblks',c_int ),# /* Number of free chunks */
...: ( 'smblks',c_int ), # /* Number of free fastbin blocks */
...: ( 'hblks',c_int ), #/* Number of mmapped regions */
...: ( 'hblkhd' ,c_int ), #/* Space allocated in mmapped regions (bytes) */
...: ( 'usmblks' ,c_int), # /* Maximum total allocated space (bytes) */
...: ( 'fsmblks' ,c_int) ,#/* Space in freed fastbin blocks (bytes) */
...: ( 'uordblks' ,c_int),# /* Total allocated space (bytes) */
...: ( 'fordblks',c_int ),# /* Total free space (bytes) */
...: ( 'keepcost',c_int )# /* Top-most, releasable space (bytes) */
...: ]
...: def __repr__(self):
...: return "\n".join(["%s:%d" % (k,getattr(self,k)) for k,v in self._fields_])
...:
...: cdll.LoadLibrary("libc.so.6")
...: libc = CDLL("libc.so.6")
...: mallinfo=libc.mallinfo
...: mallinfo.restype=MallInfo
...: libc.malloc_trim(0)
...: mallinfo().fsmblks
Out[1]: 0
In [2]: import numpy as np
...: import pandas as pd
...: arr = np.random.randn(100000, 5)
...: def leak():
...: for i in xrange(10000):
...: df = pd.DataFrame(arr.copy())
...: result = df.xs(1000)
...: leak()
...: mallinfo().fsmblks
Out[2]: 128
In [3]: libc.malloc_trim(0)
...: mallinfo().fsmblks
Out[3]: 0
那不会解决。 也许有一天我们应该向熊猫添加一些辅助函数来进行malloc修剪
可能在FAQ中输入?
作为记录,我们(+ @ sbneto)将此用于推演了一段时间,并且做得非常好:
# monkeypatches.py
# Solving memory leak problem in pandas
# https://github.com/pandas-dev/pandas/issues/2659#issuecomment-12021083
import pandas as pd
from ctypes import cdll, CDLL
try:
cdll.LoadLibrary("libc.so.6")
libc = CDLL("libc.so.6")
libc.malloc_trim(0)
except (OSError, AttributeError):
libc = None
__old_del = getattr(pd.DataFrame, '__del__', None)
def __new_del(self):
if __old_del:
__old_del(self)
libc.malloc_trim(0)
if libc:
print('Applying monkeypatch for pd.DataFrame.__del__', file=sys.stderr)
pd.DataFrame.__del__ = __new_del
else:
print('Skipping monkeypatch for pd.DataFrame.__del__: libc or malloc_trim() not found', file=sys.stderr)
@alanjds非常感谢!
但是还有其他受影响的操作:-(
上面的问题(glibc的发布)没有任何反应是非常奇怪的。 它会影响Linux PC和服务器的所有环境。 没别的了!!!
我知道,你会说我:好的,写一个补丁! 我会做的(UPD:但是会很奇怪,因为我对glibc代码一无所知)。 但是,甚至没有人知道。
大家都说:KDE泄漏。 谁知道-为什么? 没有人!
开源? 耻辱! 抱歉,在这种情况下确实如此。
我相信你 2年,这一方面没有任何进展:/
我说要解决这一问题,并大加谴责,因为在那里分叉似乎是不可行的。
@alanjds您的代码为我解决了一个导致严重头痛的问题。 您是否愿意解释默认的熊猫行为是什么以及您的代码如何解决它?
您还可以通过切换到jemalloc
作为默认分配器来解决此问题。 代替python script.py
,运行LD_PRELOAD=/usr/lib/libjemalloc.so python script.py
。 请注意, libjemalloc.so
的路径在您的系统上可能有所不同,并且首先需要使用包管理器进行安装。
@tchristensenowlet问题似乎出在glibc
的malloc
代码中。 显然,那里的free
实现不尊重在某个阈值后应该发出malloc_trim
的标志,正如您在@ghost的链接中看到的malloc_trim
且内存泄漏。 如果库在系统中可用,我们所做的只是手动调用malloc_trim
。 我们用__del__()
方法调用它,该方法在对象被垃圾回收时执行。
glibc.malloc.mxfast
可调参数已在Glibc(https://www.gnu.org/software/libc/manual/html_node/Memory-Allocation-Tunables.html)中引入。
我认为这可能是我们项目中的罪魁祸首,但是我们的用户使用默认的Python 3.8(来自官方网站)运行Windows,并且所有依赖项都通过pip安装。 Windows上也会出现此问题吗? 如果是这样,相当于cdll.LoadLibrary("libc.so.6")
多少?
编辑:我运行了这里描述的这些测试,并且每次收集的垃圾都正确地完成了其工作:
https://github.com/pandas-dev/pandas/issues/21353
系统:Windows 10
的Python:3.8.5
熊猫:1.1.0
最有用的评论
作为记录,我们(+ @ sbneto)将此用于推演了一段时间,并且做得非常好: