Python 为什么Numpy在创建零数组方面比用零替换现有数组的值快得多？

我有一个数组，用于跟踪各种值。阵列的大小为

2500x1700

，因此不是很大。在会话结束时，我需要将该数组中的所有值重置回零。我尝试创建一个新的零数组，并用零替换数组中的所有值，创建一个全新的数组要快得多

代码示例：

for _ in sessions:
    # Reset our array
    tracking_array[:,:] = 0

1.44 s ± 19.1 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

对

for _ in sessions:
    # Reset our array
    tracking_array = np.zeros(shape=(2500, 1700))

7.26 ms ± 133 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

---

为什么创建一个全新的数组要比仅仅替换数组中的值快得多？

原因是在主流操作系统（Windows、Linux和MaxOS）上，数组没有填充到内存中。Numpy通过向操作系统（OS）请求虚拟内存中的零填充区域来分配零填充阵列。该区域不直接映射到物理RAM中。当您在虚拟内存中读/写页面时，映射和零初始化通常由操作系统惰性地执行。例如，稍后将数组设置为1时，将支付此费用。这是一个证明：

[19]中的

：%timeit res=np.zeros（shape=（25001700））
每个回路10.8µs±118 ns（7次运行的平均值±标准偏差，每个100000个回路）
[20]中：%timeit res=np.one（shape=（25001700））
每个回路7.54 ms±151µs（7次运行的平均值±标准偏差，每个100个回路）

---

前者意味着RAM吞吐量至少为4.2 GiB/s，这并不高，但公平。后者意味着RAM吞吐量至少约为2930 GiB/s，这是非常高的，因为我的机器（以及任何标准的台式机/服务器机器）几乎无法达到36 GiB/s（使用仔细优化的基准）。

有一个C函数用于清空内存区域。当您使用可以使用它的代码路径时，它非常非常便宜。还有一个标准库C函数，用于分配一块内存并在此时将其归零。Wheras

tracking_array[：，：]=0

也需要能够处理非零值，因此它不能采用优化路径。这就解释了这一点。非常感谢。