在一些Python会话之后，Linux变得越来越慢

我可能有个“奇怪”的问题。我正在使用LinuxMint和python，经过一些“会话”之后，我认为linux变得非常慢。我有时会中止python脚本，因为我看到它出了问题或其他什么。如果我重新启动我的电脑，我知道它运行得很快

其他一些迭代步骤也是如此：例如：

for test in tests:
    os.system("python code.py "+something[i][0]+" "+something[i][1]+" 3 "+test+" usage")

在迭代2或3中，代码变得越来越慢。有没有可能，我使用的numpy数组不正确？或者python有没有可能不删除“last”seassion，而是将其保存在Linux的“后台”中？很抱歉，如果问题有点“糟糕”，现在不要讨论python的行为

在LinuxMint和Ubuntu2台计算机上进行了尝试

我的电脑：

至强E3-1231 v3，16GB DDR3

MCVE

def手动（测试，测试2）： #拆分为X和y X=[] y=[]

例如，这段代码将使用另一个python文件执行5次，就像我在开始时提到的os.system顺序一样

---

看起来，这只发生在Linux上，而不是在windows上。

你能提供一个例子吗？我添加了一些东西，但如果这些真的有用的话，现在就不需要了。一般来说，在很多蟒蛇“开始”或“中止”之后，例如50年后。。。Linux的速度越来越慢。如果我启动控制中心查看任务，还有10个python任务。。其中4个是使用的（并行化的原因），另外6个不是从CPU使用的。你能修复你的缩进吗？当代码执行时，Python进程使用的资源（CPU、内存）会发生什么变化？例如，您可以使用

htop

进行检查。

import numpy as np
from sklearn.ensemble import RandomForestClassifier

target=int(sys.argv[3])

method=sys.argv[4]

vs=sys.argv[5]

for i,j in enumerate(test):
    X.append(test[i][0])
    y.append(float(test[i][1]))
x=np.array(X)
y=np.array(y)



pRF={ 
'class_weight':['balanced_subsample'],
'n_estimators':treeRange,
'max_features':['sqrt'],
'min_samples_leaf':[1,2,3]}
classifiers=[RandomForestClassifier(random_state=1)]
paraCV=[pRF]
titles=['RF']

for name, clf, parCV in zip(titles,classifiers,paraCV):

    fol=10
    skf = StratifiedKFold(y, n_folds=fol)
    pre,sen,spe,ba,area,params,scores=[],[],[],[],[],[],[]
    #outer loop
    for train_index, test_index in skf:
        #inner loop    
        #print train_index, test_index
        predi=[]
        train=train_index.tolist()
        test=test_index.tolist()
        X_train=[]
        X_test=[]
        y_train=[]
        y_test=[]
        for i in train:
            X_train.append(x[i])    
        for i in test:
            X_test.append(x[i]) 

        for i in train:
            y_train.append(y[i])

        for i in test:
            y_test.append(y[i]) 
        gs = GridSearchCV(estimator=clf,param_grid=parCV,cv=fol,n_jobs=5).fit(X_train,y_train)  

        expected= [0.0 if z==2.0 else z for z in y_test]
        predicted=gs.predict_proba(X_test)
        predicted1= predicted[:,0].tolist()
        params.append(gs.best_params_)
        expi=expected
        expected=np.array(expected)

        # and so on.. code would be way to long for an MCVE

if __name__=="__main__": 


    train=sys.argv[1]
    test=sys.argv[2]