Python Numpy阵列与C++；矢量内存效率 在给定的数据中，哪个对象在内存中通常较小？一个带有dtype INT64的NUMPY数组或int类型的C++向量？例如： v = np.array([34, 23]) std::vector<int> v { 34,23 }; v=np.array（[34,23]） std：：向量v{34,23}；

一个

np.数组实际上有两个部分

——对象开销加上形状和步幅等属性，以及一个数据缓冲区。第一个数组对于所有数组的大小大致相同，第二个数组根据元素的数量（以及每个元素的大小）进行缩放。在

numpy

中，数据缓冲区为1d，与数组形状无关

由于只有2个元素，示例数组的开销部分可能比databuffer大。但对于1000个元素，大小比例则相反

使用

np.save保存数组将大致了解内存使用情况。该文件格式写入一个头缓冲区（256字节？），其余为数据缓冲区

我不太熟悉C++存储，虽然我认为它更透明（如果你懂语言）。
但请记住，存储一个数组的效率只是故事的一部分。实际上，在做数学和索引时，你需要考虑内存的使用。
ndarray
在
view
和
copy
之间的区别使得预测内存使用量变得更加困难

In [1155]: np.save('test.npy',np.array([1,2]))

In [1156]: ls -l test.npy
-rw-rw-r-- 1 paul paul 88 Jun 30 17:08 test.npy

In [1157]: np.save('test.npy',np.arange(1000))

In [1158]: ls -l test.npy
-rw-rw-r-- 1 paul paul 4080 Jun 30 17:08 test.npy

这看起来像80字节的头，数据的4个字节。
我猜C++向量-NUMPY数组可能携带更多的元数据（Python类型与C类型相比相当大）。这样说，除非你制作大量数组，否则内存使用差异可能很小（不重要）。不要忘记使用其他语言中的一种数据类型所需的开销。在大多数我意识到的现代C++实现中， int >代码>为32位。如果您想要64位类型，请使用
std:：int64\t
std:：vector
是一个编译时优化、保证连续的超薄内存包装器，但它没有vector/tensor操作或使用
numpy.ndarray
时现成的优化I/O实用程序（更不用说基于numpy的API和其他类似东西构建的OpenCL扩展了）…如果你能用
std:：vector
实现你的算法，那就很难打败它；值得记住的是，在大多数情况下，如果不先做一点big-O工作，它并不完全适合。