Python 为什么Numpy在创建三维阵列方面比二维阵列更快？

从创建NX44096X4096阵列的计时来看，当N=2或3时，Numpy的速度似乎比N=1快得多：

import numpy as np
%timeit a = np.zeros((2, 4096, 4096), dtype=np.float32, order='C')
5.24 µs ± 98.4 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
%timeit a = np.zeros((4096, 4096), dtype=np.float32, order='C')
23.4 ms ± 401 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

差别是惊人的。为什么会这样？如何使N=1时的情况至少与N>1时的情况一样快？“%timeit”的计时是否可能完全错误

上下文：我需要创建另一个具有不同类型（uint8）的4096 x 4096的单个数组，我正在尝试获得最快的Pythonic（或与Numpy相关的）实现。NX44096X4096阵列将由三列阵列（从文件读取）中的非零值填充，其中第一列为1D坐标，第二列和第三列为第一和第二幅图像的强度值（因此N=2）。使用稀疏矩阵目前还不是一种选择。 这类档案有1.3亿份。因此，上述情况也发生了很多次

[编辑]这是在macOS Sierra下的Python 3.6.4和numpy 1.14下。Windows下的相同版本不会复制相同的行为。较小数组的np.zeros（）花费的时间是两倍大数组的一半。从评论和提到的重复问题中，我理解这可能是由于内存分配中的阈值造成的。但是，这并不符合

%timeit

的目的

---

[EDIT 2]关于重复问题，这里的问题应该更多地是关于如何正确计时此函数，而不必编写额外的代码来访问变量，以便操作系统实际分配内存。额外的代码不会影响计时结果吗？难道没有一个简单的方法来描述这个吗

我无法复制它，因此它可能依赖于机器和/或numpy版本。我在CentOS 6上使用Python2.6.6和numpy版本1.4.1，第一个版本为22毫秒，第二个版本为11毫秒。如果你能用你的numpy和python版本以及你正在使用的操作系统来更新这个问题，可能会有所帮助。如果你计划打开1.3亿个文件，并为每个文件创建一个2x4096x4096阵列，这意味着超过4 PB的阵列和大量的磁盘访问。即使您不需要一次将所有这些阵列存储在内存中，速度也会非常慢。我已经添加了软件版本@user2357112是的，我们知道这将非常缓慢（目前只有几个月），因此我们试图了解所有可能的瓶颈。当然，在更合适的基础设施中，这将以并行方式发生。对于这两种情况，我的计时时间都在10到11微秒之间。Debian、Python 3.6.4、NumPy 1.13.3。如果分配时间特别烦人，您可以重用现有阵列并覆盖其内容。如果您需要同时打开所有数据，您可能需要重新考虑您的策略。在Python中有分布式数组处理方面的工作，请看一看，否则我无法重现这种行为，但如果您一个接一个地进行此测试，垃圾收集器可能会造成一些危害。还将速度与纯内存分配（np.empty）进行比较。但我认为，对于如此大量的数据，高I/O速度和快速数据压缩策略是您的主要问题。