我是否可以使用numpy向量化函数来使用缓冲区对象作为结果，而不是创建该对象返回的新数组？
我想做这样的事情：
fun = numpy.vectorize(lambda x: x + 1)
a = numpy.zeros((1, 10)
buf = numpy.zeros((1, 10)
fun(a, buf_obj = buf)
而不是
fun = numpy.vectorize(lambda x: x + 1)
a = numpy.zeros((1, 10)
buf = fun(a)
答案 0 :(得分：3)
不适用于vectorize，但是大多数numpy函数都会使用out参数来完全按照您的意愿执行。
您尝试使用numpy.vectorize的功能是什么？当你试图“矢量化”计算时，vectorize几乎总是错误的解决方案。
在上面的示例中，如果您想要就地执行操作，可以使用以下命令完成操作：
a = numpy.zeros((1, 10))
a += 1
或者，如果你想要有点冗长，但要完全按照你的例子做的事情：
a = numpy.zeros((1, 10))
buf = numpy.empty_like(a)
numpy.add(a, 1, out=buf)
numpy.vectorize必须为数组中的每个元素调用python函数。因此，与在整个阵列上运行的numpy函数相比，它具有额外的开销。通常，当人们提到“向量化”表达式以获得加速时，他们指的是用基本numpy函数的构建块构建表达式，而不是使用vectorize（这当然令人困惑...... ）。
编辑：根据您的评论，vectorize确实适合您的使用案例！ （编写“光栅计算器”是一个非常完美的用例，超出安全/沙盒问题。）
另一方面，如果您不介意额外的依赖，numexpr可能更适合。
速度更快，需要out个参数。