在python中如何为numpy数组分配内存？

我试图理解numpy“2D”数组造成的差异，即numpy.zeros（（3，）、numpy.zeros（（3，1））、numpy.zeros（（1，3））

我使用

id

查看每个元素的内存分配。但我在iPython控制台中发现了一些奇怪的输出

a=np.zero（（1,3））
In[174]：id（a[0,0]）
Out[174]：4491074656
In[175]：id（a[0,1]）
Out[175]：4491074680
[176]中的id（a[0,2]）
Out[176]：4491074704
在[177]中：id（a[0,0]）
Out[177]：4491074728
In[178]：id（a[0,1]）
Out[178]：4491074800
在[179]中：id（a）
Out[179]：4492226688
In[180]：id（a[0,1]）
Out[180]：4491074752

这些元素的记忆是

不连续

更改而不重新分配

此外，形状（1，3）数组中的元素一开始似乎是连续的内存，但对于其他形状，如

[186]中的

：a=np.zero（（3，））
In[187]：id（a）
Out[187]：4490927280
In[188]：id（a[0]）
Out[188]：4491075040
In[189]：id（a[1]）
Out[189]：4491074968

[191]中的

：a=np.random.rand（4,1）
In[192]：id（a）
Out[192]：4491777648
In[193]：id（a[0]）
Out[193]：4491413504
在[194]中：id（a[1]）
Out[194]：4479900048
在[195]：id（a[2]）
Out[195]：4491648416

实际上，我不太确定

id

是否适合在Python中检查内存。据我所知，在Python中获取变量的物理地址没有简单的方法

就像C或Java一样，我希望这种“2D”数组中的元素在内存中应该是连续的，这似乎不是真的。另外，

id

的结果一直在变化，这让我很困惑

---

我对此很感兴趣，因为我使用了一点mpi4py，我想知道变量是如何在CPU之间发送/接收的。

Numpy数组将其数据保存在与对象本身分离的内存区域中。如下图所示：

要获取数据的地址，需要创建数组的视图，并检查

ctypes.data

属性 是第一个数据元素的地址：

import numpy as np
a = np.zeros((3, 2))
print(a.ctypes.data)
print(a[0:1, 0].ctypes.data)
print(a[0:1, 1].ctypes.data)
print(a[1:2, 0].ctypes.data)
print(a[1:2, 1].ctypes.data)

---

根据和，numpy不存储数组值（？），因此当您使用

id（）

时，它会动态创建数组，这就是为什么“元素的内存在不重新分配的情况下发生变化”（？）

id

不会告诉您这一点。这3个数组使用相同的底层数据缓冲区结构。基本numpy文档描述了

ndarray

结构，

mpi4py

谈到了使用Python缓冲协议（以及

pickle

用于其他类型的对象）

numpy

使用此选项。这是一个示例介绍。可能有新的更完整的描述。

a.。\uuuu数组\u接口\uuu['data'][0]

是数组

a

的数据缓冲区开始的整数表示。

a

的视图将在附近显示值。e、 g.

a[1:2]

，而不是

a[1]

。