Python numpy阵列中有多少内存？RAM是一个限制因素吗？

我正在使用numpy创建一个边长为100的立方体数组，因此总共包含100万个条目。对于一百万个条目中的每一个，我插入一个100x100矩阵，其条目由随机生成的数字组成。我正在使用以下代码执行此操作：

import random
from numpy import *

cube = arange(1000000).reshape(100,100,100)

for element in cube.flat:
    matrix = arange(10000).reshape(100,100)
    for entry in matrix.flat:
        entry = random.random()*100
    element = matrix

我原以为这需要一段时间，但由于生成了100亿个随机数，我甚至不确定我的计算机是否能处理它。这样的阵列会占用多少内存？RAM是否会成为一个限制因素，即如果我的计算机没有足够的RAM，它是否会无法实际生成阵列

另外，如果有更有效的方法来实现此代码，我将非常感谢提示：）

几点：

• numpy阵列的内存大小易于计算。它只是元素数乘以数据大小，再加上一小部分固定开销。例如，如果您的

  cube.dtype

  是

  int64

  ，并且它有1000000个元素，则需要

  1000000*64/8=8000000

  字节（8Mb）
• 然而，正如@Gabe所指出的，100*100*1000000双打将需要大约20分钟
• 这本身不会导致任何“中断”，但操作速度会慢得离谱，因为您的计算机需要执行所有操作
• 您的循环不会达到预期效果。

  element=matrix

  将简单地覆盖

  元素

  变量，而不是替换

  多维数据集中的元素

  ，使

  多维数据集保持不变。这同样适用于
  条目=random.rand（）*100

• 相反，请参见：

有关函数的“内部”部分，请查看numpy.random模块

import numpy as np
matrix = np.random.random((100,100))*100

---

假设

double

精度为8字节，如果您真的要存储100亿字节，则为80GB。如果你不得不问，你的电脑没有足够的内存。这就是说，看起来你正在创建它们，但没有存储它们，所以你应该没事。如果你超过了可用虚拟内存的总量，事情确实会“崩溃”，在这种情况下，这似乎很有可能，因为没有多少人的交换空间大于80GB。在处理

np.zeros（）之类的函数时，情况并不完全如此

。使用延迟加载（至少在Linux版本中是这样），这将避免在访问某些元素之前使用大量内存。例如，您可以使用

np.zero（（2400024000））

创建一个矩阵，它不会占用太多内存，但如果使用

np.random.random（（2400024000））

，它会占用超过4GB的内存。更好的解释：