所以，我正在进军等离子体模拟领域。现在，虽然我知道顶层仿真是用fortran编写的，并且具有超高内存效率的子程序和专用代码，但我希望能够运行一些低级仿真。
我的问题是，当在时变环境中模拟大量粒子时（好吧，时间步长），跟踪所有数据是一个技巧。我之前使用过多维数组 - 使用粒子的列号和属性的行号，但这感觉相当笨拙。但是，它确实可以更快地执行。
我最近尝试定义自己的类，但是作为一个python新手，我可能以非常低效的方式做到了。对于3维中的每个粒子，我需要能够存储粒子的位置，速度和力（一旦代码变得更复杂，就有可能添加更多变量）。使用我所知道的类，我定义了一个particle对象（我认为），使我的代码更容易阅读和遵循：
# Define Particle as a class
class particle():
def __init__(self, index=0, pos=np.array([0, 0, 0]), vel=np.array([0,0,0]),
F=np.array([0, 0, 0])):
self.index = index # Particle index (identifier)
self.pos = pos # Position 3-vector
self.vel = vel # Velocity 3-vector
self.F = F # Net force 3-vector (at particle)
因此，我可以轻松初始化包含大量这些对象的数组，并以合理直接的方式修改每个值。然而，正如我所提到的，对于仅涉及少量粒子的模拟，这种情况会变慢。我将使用我的代码将其与纯粹的面向矩阵的方法进行比较，以查看哪种方法可以通过大型模拟进行更好的扩展。
我想我的问题是：用这种方式定义一个“粒子”效率最高吗？或者是否有更多CPU /内存有效的方法来定义这样的对象。我想保持它的方法能力（即particle[i].pos = [1,2,3]或particle[2].vx[1] = 3），这样我就可以为每个粒子设置值，并通过函数传递它们。请记住，我是一个Python新手，所以对于大而复杂的代码，我可能不会取得很大的成功。
答案 0 :(得分：4)
__slots__ 节省内存的一种方法是使用slots：
class Particle(): # Python 3
__slots__ = ['index', 'pos', 'vel', 'F']
def __init__(self, index=0, pos=None, vel=None, F=None):
# Particle index (identifier)
self.index = index
# Position 3-vector
self.pos = np.array([0, 0, 0]) if pos is None else pos
# Velocity 3-vector
self.vel = np.array([0,0,0]) if vel is None else vel
# Net force 3-vector (at particle)
self.F = np.array([0, 0, 0]) if F is None else F
来自文档：
可以为此类变量分配字符串，可迭代或具有实例使用的变量名称的字符串序列。
__slots__为声明的变量保留空间，并阻止为每个实例自动创建__dict__和__weakref__。
旁注：我将mutable default argument problem设置为None，并在__init__()中为None值创建新的NumPy数组，从而修正了Bobby tables
一个重要的区别是，您无法在实例化后添加未在__slots__中列出的属性：
p = Particle()
p.new_attr = 45
---------------------------------------------------------------------------
AttributeError Traceback (most recent call last)
<ipython-input-664-a970d86f4ca3> in <module>()
1 p = Particle()
2
----> 3 p.new_attr = 45
AttributeError: 'Particle' object has no attribute 'new_attr'
与没有__slots__的课程比较：
class A: # Python 3
pass
a = A()
a.new_attr = 10
没有例外。
答案 1 :(得分：-1)
听起来你想要飞重模式。也许在对象中存储一个整数作为一个包含9行元素的数组的索引？