好的，我正在尝试用panda将大约一个30GB的csv文件加载到HDFStore中，该文件包含4000多万行和150多列。大多数列都是字符串，后面跟着数字和日期。
我以前从未真正使用过numpy、pandas或pytables，但在R.中玩过数据帧
我目前正在HDFStore中存储一个大约20000行的示例文件。当我尝试从HDFStore读取该表时，该表被加载到内存中，内存使用量增加了约100MB
f=HDFStore('myfile.h5')
g=f['df']
然后我删除了包含DataFrame:的变量
del g
此时，内存使用量减少了约5MB
如果我再次使用g=f['df']将数据加载到g中，则内存使用量会激增另一个100MB
只有当我真正关闭窗口时才会进行清理。
按照数据的组织方式，我可能会将数据划分为单个表，最大表大小约为1GB，可以放入内存，然后一次使用一个。然而，如果我不能清除记忆，这种方法将不起作用。
关于我该如何做到这一点，有什么想法吗？
回答OP问题的第二点（"如何释放内存"）
简短回答
关闭存储并删除选定的数据帧是不起作用的，但我发现在删除数据帧后，对gc.collect()的调用会很好地清除内存。
示例
在下面的例子中，内存按预期自动清理：
data=numpy.random.rand(10000,1000) # memory up by 78MB
df=pandas.DataFrame(data) # memory up by 1 MB
store = pandas.HDFStore('test.h5') # memory up by 3 MB
store.append('df', df) # memory up by 9 MB (why?!?!)
del data # no change in memory
del df # memory down by 78 MB
store.close() # no change in memory
gc.collect() # no change in memory (1)
（1） 尽管已关闭，但存储仍在内存中
现在假设我们从上面继续，并按照下面的步骤重新打开store。只有在调用了gc.collect（）之后才清理内存：
store = pandas.HDFStore('test.h5') # no change in memory (2)
df = store.select('df') # memory up by 158MB ?! (3)
del df # no change in memory
store.close() # no change in memory
gc.collect() # memory down by 158 MB (4)
（2） 商店从未离开过，（3）我读到一张表的选择可能会占用表的六分之三，（4）商店仍然在
最后，我还尝试在open（df = store.select('df')）上做一个df的.copy()不要这样做，它会在内存中创建一个怪物，之后无法进行垃圾收集。
最后一个问题如果内存中的DF是100MB，我知道它在加载时可能会占用内存中2-3倍的大小，但为什么在我从HDFStore中选择并关闭存储后，它在内存中保持在200MB？