Python Numpy nditer用于节省内存？

当我用nditer迭代一个数组时，我迷路了

背景

我试图计算三维阵列中每个点的3x3对称矩阵的特征值。 我的数据是一个形状为[6，x，y，z]的4D数组，其中6个值是~500x500x500立方体32上x，y，z点的矩阵值。 我首先使用了numpy的eigvalsh，但它针对大型矩阵进行了优化，而我可以对3x3对称矩阵进行分析简化

然后，我实现了这两个函数，都是一个函数，它接受单个矩阵并计算特征值（然后使用嵌套for循环进行天真的迭代），然后使用numpy进行矢量化

问题是，现在在我的矢量化中，每个操作都会创建一个数据大小的内部数组，最终导致使用过多的RAM和PC冻结

我试过使用numexpr等，它的使用量仍然在10G左右

我想做的事

我想迭代（使用numpy的nditer）我的数组，这样对于每个矩阵，我计算我的特征值。这将消除分配巨大中间数组的需要，因为我们一次只计算10个浮点数。 基本上，尝试将嵌套的

替换为
循环，使其成为一个迭代器

我在找这样的东西：

for a,b,c,d,e,f in np.nditer([symMatrix,eigenOut]): # for each matrix in x,y,z

    # computing my output for this matrix
    eigenOut[...] = myLovelyEigenvalue(a,b,c,d,e,f)

到目前为止，我掌握的最好信息是：

for i in np.nditer([derived],[],[['readonly']],op_axes=[[1,2,3]]):

但这意味着
i
获取4D数组的所有值，而不是长度为6的元组。
我似乎无法掌握nditer文档的窍门

我做错了什么？关于在“除一个之外的所有轴”上迭代，您有什么提示和技巧吗

关键是要有一个nditer，它在迭代中的性能要优于常规的嵌套循环（一旦成功了，我将更改函数调用、缓冲区迭代……但到目前为止，我只希望它能工作^^^）
你不需要
np.nditer
。迭代除第一个轴以外的所有轴的一种更简单的方法是，将其重塑为
[6500**3]
数组，将其转置到
[500**3,6]
，然后迭代行：

for (a, b, c, d, e, f) in (symMatrix.reshape(6, -1).T):
    # do something involving a, b, c, d, e, f...

如果您真的想使用
np.nditer
，您可以这样做：

for (a, b, c, d, e, f) in np.nditer(x, flags=['external_loop'], order='F'):
    # do something involving a, b, c, d, e, f...

一个潜在重要的事情是，如果<代码> Simults/Corp >是C顺序（行主要）而不是FORTRAN顺序（列主要），那么在第一维度上迭代可能比迭代最后3个维度快得多，因为这样，您将访问相邻的内存地址块。因此，您可能需要考虑切换到FORTRAN命令。
我不希望从这两种方法中获得巨大的性能提升，因为在一天结束时，您仍然使用Python进行所有的循环，并且只在标量上操作，而不是利用矢量化。
只是澄清一下，我假设
symMatrix
对应于
[6，nx，ny，nz]
数组？在你的例子中，
a，b，c，
和
eigenOut
的形状是什么？你是对的，是同一个数组。我试着把每一项都作为浮动，但我会满足于其他项目。整个nditer练习旨在减少内存占用，同时比嵌套循环和
eigenOut
和
a、b、c
等形状快一点。eigenOut必须是一个[3、x、y、z]数组和一个b、c。。。视情况而定：我喜欢浮点数，但任何小数组都可以：）我还是不太明白你到底在做什么特征值分解。当
symMatrix
的第一维度是6而不是9时，如何为x、y、z中的每个点获得3x3子矩阵？感谢您的帮助！虽然这不是生产级解决方案，但我感谢您提供的解决方案。不过，我可能会求助于Cython优化，真可悲！