Python中使用random.choice(Training_Data)导致内存激增的原因咨询

问题核心出在numpy数组的特性和代码里的错误逻辑上，拆解来看：

• numpy数组是固定大小的，每次调用np.delete(Training_Data, count, 0)时，并不会直接修改原数组，而是创建一个全新的数组，再把Training_Data变量指向这个新数组。旧数组如果还有未释放的引用，就不会被Python垃圾回收机制清理，会一直占用内存。
• 内层循环for lines in Training_Data在遍历数组的同时修改了Training_Data的指向，此时迭代器还持有对旧数组的引用，导致旧数组无法被回收。循环500次就会堆积500个旧数组，内存自然急剧增长。

而换成Value = random.choice(Data_Matrix)时内存问题消失，是因为你的count索引计算错误：
你在内层循环里让count从0开始，每遍历一个元素就+1，找到匹配元素时用count作为索引删除——但numpy数组索引从0开始，这里的count其实是当前元素的位置+1，导致你每次删除的是下一个元素，而非匹配的那个。这会让Training_Data里的目标元素根本没被正确删除，当从Data_Matrix选元素时，内层循环大概率找不到匹配项，也就不会执行np.delete，自然不会不断创建新数组堆积内存。

总结核心原因：

• np.delete每次创建新数组，旧数组因迭代器引用无法回收，内存持续堆积
• 索引计算错误导致删除逻辑失效，进一步加剧了内存浪费

内容的提问来源于stack exchange，提问作者CanadianBeaver