有人能详细说明参数deep=True在调用DataFrame的memory_use方法时的作用吗？我从文档中了解到，它"钻取"具有对象dtype的列，以查看这些值实际占用内存的量。但是，什么是"正确"的价值观呢？DataFrame实际占用了我多少内存？
我在DataFramedf中的磁盘上加载了一个大约2GB的文件。没有深度，我觉得我有正确的价值，因为我得到了接近文件大小的东西。使用deep=true。。。我得到了这个值的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，我会看到一个从250MB到1.87GB不等的值(与deep=False相同)。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，则总内存使用量可能达到deep=True宣布的13.9 GB？
我如何理解它，首先是文档。
它讲的是字节，你需要了解什么是byte。我链接到维基百科页面。现在，我们将以文档为例来理解它。您需要了解类型在较低级别语言(如C或C++)中的工作方式(例如，int、float…)。
dtypes = ['int64', 'float64', 'complex128', 'object', 'bool']
data = dict([(t, np.ones(shape=5000).astype(t))
for t in dtypes])
df = pd.DataFrame(data)
df.head()
# int64 float64 complex128 object bool
#0 1 1.0 (1+0j) 1 True
#1 1 1.0 (1+0j) 1 True
#2 1 1.0 (1+0j) 1 True
#3 1 1.0 (1+0j) 1 True
#4 1 1.0 (1+0j) 1 True
df.memory_usage(index=False)
#int64 40000
#float64 40000
#complex128 80000
#object 40000
#bool 5000
关于boolean，这是相当容易的。它有2种可能的状态，因此将保持0(false)或1(true)。它将被存储在一个字节(8位)中。
现在，对于其他列：int64和float64意味着您有一个包含64位的整数，因此是8个字节。这是上一个boolean值的8倍！如果我们看上面的df.memory_usage()，如果我们将bool列(5000)的内存乘以8(字节)，它确实回答了40000。
相同的逻辑适用于complex128。128位等于16个字节，乘以5000列得到80000。memuse返回的数字。
哪里变得棘手
df['object'].memory_usage(index=False)
#40000
df['object'].memory_usage(index=False, deep=True)
#160000L
从技术上讲，大熊猫的object是一系列的东西。Pandas基本上是numpy的抽象，用于保存任何类型的对象，这就是它被广泛使用的原因。Numpy只能存储数字数据，但Panda可以存储几乎任何类型的数据，因为它包括iteration和strings。
当你加载DataFrame时，你只需要对数据的第一个引用就可以使用它。当你不激活deep=True选项时，它不会搜索整个DataFrame的使用情况，但它实际使用的是什么：意味着指向数据的第一个指针/引用(因为非常简单地说，第一个引用指向它指向的数据AND，使用我们对这个引用的了解，我们知道下一个引用将在哪里)，这是一个64位的数据，所以是8字节的数据，因此对于没有deep=True选项的5000行，是40000字节。