我在使用 Pandas DataFrame 时遇到了一些内存不一致的问题。
这是我的代码框架：
那基本上就是使用pandas读取CSV文件并控制列数据类型。但是，当我想知道我的程序分配了多少内存时，信息似乎不太一致。 信息1：
这给出了：
这是我的代码框架：
import pandas as pd
import numpy as np
columns_dtype = {'A': np.int16, 'B': np.int8, ...}
df = pd.read_csv('my_file.csv', dtype=columns_dtype)
那基本上就是使用pandas读取CSV文件并控制列数据类型。但是，当我想知道我的程序分配了多少内存时，信息似乎不太一致。 信息1：
df.info(memory_usage='deep')
这给出了：
内存使用：482.6 MB
信息2：
import dill, sys
sys.getsizeof(dill.dumps(df))
这是给出的结果：506049782（即 506 Mb）
信息 3：
分配给我的程序的 RAM 是：1.1 GiB（或 1.2 Gb）
附加信息（但我认为这不相关）：
my_file.csv 的大小为 888 Mb（ls -lh）
问题：
由于我只是将 csv 文件加载到 Pandas DataFrame 对象中，为什么我的程序需要超过 1 Gb 的 RAM，而对象大小约为 0.5 Gb？
非常感谢
dill.dumps的相关性是什么？你认为为什么dill/pickle序列化的数据框会占用与原始数据框完全相同的内存空间？ - juanpa.arrivillagapd.read_csv选项。 - juanpa.arrivillaga