如何清理本地机器中Python变量占用的存储？NetCDF文件处理问题

嗨，我之前在Jupyter里处理大NetCDF文件时刚好碰到过一模一样的问题，给你整理了清理空间的办法，还有能避免下次再踩坑的技巧：

一、即时清理当前会话的占用空间 #

首先得把那些吃内存的变量彻底清掉，释放内存后C盘的虚拟内存占用也会跟着回落：

• 先删除创建的变量：

  del temp
  del df_temp
  

• 强制Python执行垃圾回收（默认回收机制不会立刻释放所有闲置内存）：

  import gc
  gc.collect()
  

二、清理Jupyter和系统临时文件 #

如果上面的操作后C盘空间还是没回来，试试这些：

• 重启当前Jupyter Notebook的内核：在Notebook菜单栏选择「Kernel」→「Restart」，这能彻底清除当前会话的所有内存残留。
• 清理Windows临时文件：按下Win+R输入%temp%，删除里面和Python、Anaconda相关的临时文件（遇到提示“文件正在使用”的就跳过）。

三、从根源避免C盘被占满的技巧 #

3GB的NetCDF转成DataFrame会大幅膨胀（尤其是多维气象/地理数据），下次别直接全量转换：

• 只提取需要的部分：先在xarray层面筛选变量、时间或空间范围，再转DataFrame。比如只提取某个变量和指定时间段的数据：

  # 假设你的NetCDF包含time维度和temperature变量
  data_subset = temp['temperature'].sel(time=slice('2020-01-01', '2020-12-31'))
  df_subset = data_subset.to_dataframe()
  

• 分块加载处理：用xarray的chunk()方法分块读取数据，避免一次性把所有数据塞进内存：

  # 按时间维度分块，比如每次加载365天的数据
  temp = xarray.open_dataset(path_to_file, chunks={'time': 365})
  # 后续优先用xarray的分块操作，必要时再逐块转DataFrame处理
  

• 尽量在xarray层面分析：xarray本身支持大部分pandas的分析操作，能不转DataFrame就不转，减少内存和磁盘的双重占用。

内容的提问来源于stack exchange，提问作者kazetsuki