有人可以详细说明调用 DataFrame 的 memory_usage 方法时参数 deep=True 的作用吗？我从文档中了解到，它“钻取”到具有对象数据类型的列，以查看这些值实际占用内存的量。但什么是“正确”的值呢？DataFrame 实际上占用了我多少内存？
我在 DataFrame 的磁盘上加载了一个大约 2GB 的文件df。如果没有深度，我感觉我有正确的值，因为我得到了接近文件大小的东西。...我得到deep=true了这个值的 7 倍，而我的电脑甚至没有足够的 RAM 来容纳这个！
>>> memus = df.memory_usage()
>>> memusdeep = df.memory_usage(deep=True)
>>> print(memus.sum() / 10**9, 'GB')
1.874067408 GB
>>> print(memusdeep.sum() / 10**9, 'GB') # that's very much!
13.897614776 GB
如果我在任务管理器中查看 python 程序使用的内存，我会看到一个值从 250MB 到大约 1.87GB 不等（与 相同deep=False）。这是否意味着我的列在不使用时会从内存中“释放”，并且如果我使用所有列，总内存使用量可能会达到 宣布的 13.9 GB deep=True？
这种差异是由于任何包含字符串或对象的列造成的。Pandas 将字符串视为对象，df.memory_usage()默认情况下不考虑对象的大小deep=False。您必须指定deep=True才能更准确地测量包含字符串或对象的任何 DataFrame 的大小。
我的 DataFrame 有 560,897 行和 1 列，每行有 38 个字符串。df.memory_usage()该列返回 4,487,176 字节，即每个字符串 8 字节。然而，38 个字符的字符串不能仅用 8 个字节来存储。df.memory_usage(deep=True)返回 53,285,215 字节。每个字符串有 95 个字节，仅比 Python 中单个内置字符串变量的大小稍多。
同一数据帧中的列dtype=int32返回 2,243,588 字节，无论是否deep = True，也无论每个整数的值。
这里也有很好的解释： https ://pythonspeed.com/articles/pandas-dataframe-series-memory-usage/