Jupyter Notebook渲染DataFrame时内存占用持续增长的问题求助

大家好，我最近在Jupyter环境里处理大型数据集时遇到了一个头疼的内存问题，折腾了好几种方法都没解决，来这儿求助各位大佬！

先给大家看下我生成测试数据集的代码，特意做了个规模不小的数据集（300万行、100列），同时生成了Polars和Pandas两种格式：

import pandas as pd
import polars as pl

from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split

X, y = make_classification(
    n_samples=3_000_000,
    n_features=100,
    n_informative=20,
    n_redundant=10,
    n_repeated=0,
    n_classes=2,
    random_state=42,
    shuffle=False,
)

feature_names = [f"feature_{i}" for i in range(X.shape[1])]

X_polars = pl.DataFrame(X, schema=feature_names)
y_polars = pl.Series(values=y, name="target")
X_pandas = X_polars.clone().to_pandas()

接下来问题就出现了：当我在Jupyter单元格里执行如下代码，让Jupyter自动渲染DataFrame的HTML/纯文本格式输出时：

df = X_polars+1
df

第一次运行内存占用还正常，但每次重复运行同一个单元格，内存都会累加增长，哪怕我没保留新的变量引用也一样！

我用psutil监测了可用内存，情况如下：
第一次运行的代码和输出：

# First time running
import psutil
print(psutil.virtual_memory().available / (1024 ** 3))
df = X_polars+1
df

输出结果：

26.315258026123047
`df` table （这里是Jupyter渲染出的表格）

第四次运行同样的单元格后，可用内存直接降到了：

19.47336196899414

我试过各种排查手段，问题依然存在：

• 换成Pandas的X_pandas执行同样操作，内存还是会累加
• 不定义df变量，直接运行X_polars+1让Jupyter渲染输出，内存还是涨
• 换了Linux系统测试（我本地是Windows10），问题依旧
• 手动调用gc.collect()强制垃圾回收，完全没用
• 换了不同的IDE/环境：VSCode、Jupyter Notebook、Jupyter Lab，都有这个问题

但有两种情况不会出现内存增长：

• 用print(X_polars+1)输出结果
• 用print(df)输出结果

有没有大佬遇到过类似的问题？或者能帮我分析下为什么Jupyter自动渲染DataFrame会导致这种内存泄漏啊？

备注：内容来源于stack exchange，提问作者Kevin Li