详解解决Pythonmemoryerror的问题（四种解决⽅案）昨天在⽤⽤Pycharm读取⼀个200+M的CSV的过程中，竟然出现了Memory Error！简直让我怀疑⾃⼰买了个假电脑，毕竟是8G内存i7处理器，⼀度怀疑⾃⼰装了假的内存条。。。。下⾯说⼀下⼏个解题步骤。。。。⼀般就是⽤下⾯这些⽅法了，按顺序试试。
⼀、逐⾏读取
如果你⽤pd.read_csv来读⽂件，会⼀次性把数据都读到内存⾥来，导致内存爆掉，那么⼀个想法就是⼀⾏⼀⾏地读它，代码如下：
data = []
with open(path, 'r',encoding='gbk',errors='ignore') as f:
for line in f:
data.append(line.split(','))
data = pd.DataFrame(data[0:100])
这就是先⽤with open把csv的每⼀⾏读成⼀个字符串，然后因为csv都是靠逗号分隔符来分割每列的数据的，
那么通过逗号分割就可以把这些列都分离开了，然后把每⼀⾏的list都放到⼀个list中，形成⼆维数组，再转换成DataFrame。
这个⽅法有⼀些问题，⾸先读进来之后索引和列名都需要重新调整，其次很多数字的类型都发⽣了变化，变成了字符串，最后是最后⼀列会把换⾏符包含进去，需要⽤replace替换掉。
numpy库功能不知道为什么，⽤了这个操作之后，还是出现了Memory error的问题。基于这些缺点以及遗留问题，考虑第⼆种解决⽅案。
⼆、巧⽤pandas中read_csv的块读取功能
pandas设计时应该是早就考虑到了这些可能存在的问题，所以在read功能中设计了块读取的功能，也就是不会⼀次性把所有的数据都放到内存中来，⽽是分块读到内存中，最后再将块合并到⼀起，形成⼀个完整的DataFrame。
f = open(path)
data = pd.read_csv(path, sep=',',engine = 'python',iterator=True)
loop = True
chunkSize = 1000
chunks = []
index=0
while loop:
try:
print(index)
chunk = _chunk(chunkSize)
chunks.append(chunk)
index+=1
except StopIteration:
loop = False
print("Iteration is stopped.")
print('开始合并')
data = pd.concat(chunks, ignore_index= True)
以上代码规定⽤迭代器分块读取，并规定了每⼀块的⼤⼩，即chunkSize，这是指定每个块包含的⾏数。
这个⽅法能够保持数据的类型，也不需要⾃⼰费⼼思去调整列名和index，⽐较⽅便。但不幸的是，我的还是出现了这个问题，如果你的⽤了这种⽅法还是出现memory error，你可以继续往下看。
三、扩充虚拟内存
我在运⾏代码的过程中发现，出现memory error错误的时候，其实我的内存只⽤到了40+%，所以其实不太可能会出现这个错误啊，所以我查了下，发现有说是内存被限制了，考虑关掉⼀些可能限制内存的软件啦，扩⼤虚拟内存啦，这些的。
扩⼤虚拟内存的⽅法（我的系统是win8，不过应该都⼤同⼩异）：
1、打开控制⾯板；
2、到系统这⼀项；
3、到⾼级系统设置这⼀项；
4、点击性能模块的设置按钮；
5、选择⾼级⾯板，在虚拟内存模块点击更改；
6、记得不要选中“⾃动管理所有驱动器的分页⽂件⼤⼩”，然后选择⼀个驱动器，也就是⼀个盘，选中⾃定义⼤⼩，⼿动输⼊
初始⼤⼩和最⼤值，当然，最好不要太⼤，更改之后能在查看盘的使⽤情况，不要丢掉太多空间。
7、都设置好之后，记得点击 “设置”，然后再确定，否则⽆效，最后重启电脑就可以了。
悲剧的是我在设置完这⼀步之后还是出现了内存错误，到这⼀步就没有问题了的朋友就可以不⽤看下⾯⼀种解法了，如果还是有问题，可以接下来看。
四、更新Pandas和Numpy库为64位
如果你的Python⽤的是32位的，那么你的pandas和Numpy也只能是32位的，那么当你的内存使⽤超过2
G时，就会⾃动终⽌内存。发现这个错误也是因为我察觉到报内存溢出的错误的时候，我的内存明明显⽰只⽤了40+%，然后错误提⽰是在pandas 的core中，所以查了⼀下，发现原来还有这么个⼤坑。
解决⽅法就是：先检查⼀下你的python是多少位的，在shell中输⼊python，查看位数，如果是32位，那么就重装Python，装⼀个64位的，但同时你的库也需要重新装了。不过我执⾏完这⼀步之后，问题就完美解决了！
五、如果还有内存溢出的错
以上四种⽅法，按顺序逐⼀使⽤，到哪⼀步错误消失了就可以停⽌啦。当然了，如果你的内存显⽰使⽤达到了99%+，那么就是内存真的不够⽤，不是别的问题，如果不是数据量特别⼤，那就是写代码的时候的习惯问题，虽然Python有垃圾回收机制，但是有时候可能来不及回收，尤其是在循环迭代这些过程中，往往会循环完毕了才来得及收拾垃圾，所以记得及时把不要的变量del掉，或者⽤gc这个垃圾回收库，这样内存⾃然就⼀直清清爽爽啦~
以上就是本⽂的全部内容，希望对⼤家的学习有所帮助，也希望⼤家多多⽀持。