numpy.frombuffer函数的文档特别指出生成的数组将是一维的：
将缓冲区解释为1维数组。
我不确定这句话的后果。文档告诉我生成的数组将是一维的，但从不说输入缓冲区必须描述一维对象。
我在C ++中有一个（2D）Eigen matrix。我想创建一个描述矩阵内容的Python buffer。然后，我想使用此缓冲区以某种方式初始化我的NumPy数组并使其可用于我的python脚本。目标是在不复制数据的情况下将信息传递给Python，并允许python修改矩阵（例如初始化矩阵）。
相当于numpy.frombuffer的C-API是PyArray_FromBuffer，它也共享单维短语，但它有更多文档（强调我的）：
PyObject* PyArray_FromBuffer(PyObject* buf, PyArray_Descr* dtype, npy_intp count, npy_intp offset)从对象buf构造单一类型的一维ndarray，它导出（单段）缓冲区协议（或者具有返回导出缓冲区的对象的__buffer__属性协议）。首先尝试可写缓冲区，然后是只读缓冲区。返回数组的NPY_ARRAY_WRITEABLE标志将反映哪一个成功。假设数据从对象的存储器位置的起始处的偏移字节开始。将根据数据类型描述符dtype解释缓冲区中数据的类型。如果count为负，则将根据缓冲区的大小和请求的itemsize确定，否则count表示应从缓冲区转换的元素数。
是＆＃34;单段＆＃34;是否意味着它不能包含使用的填充，例如，对齐矩阵的行？在那种情况下，我搞砸了，因为我的矩阵可以很好地使用需要填充的对齐策略。
回到原来的问题：
有没有办法让我创建一个与预先存在的缓冲区共享内存的NumPy数组？
备注：github上有一个名为Eigen3ToPython的项目，旨在将eigen与python连接，但它不允许内存共享（强调我的）：
此库允许：[...]以透明方式转换为Numpy数组（
np.array）（但内存不在两个表示之间共享）
修改 有人可能会指出类似标题的问题Numpy 2D- Array from Buffer?。不幸的是，那里给出的解决方案似乎不适用于我的情况，因为生成的2D数组不与原始缓冲区共享内存。
编辑：如何在Eigen中组织数据
使用跨步访问，在1D内存缓冲区中对2个矩阵进行特征映射。例如，双精度3×2矩阵需要6个双精度，即48个字节。分配48字节的缓冲区。此缓冲区中的第一个元素表示矩阵中的[0, 0]条目。
为了访问元素[i, j]，使用以下公式：
double* v = matrix.data() + i*matrix.rowStride() + j*matrix.colStride()
，其中matrix是矩阵对象，其成员函数data()，rowStride()和colStride()分别返回缓冲区的起始地址，两者之间的距离连续行和两个连续列之间的距离（浮点格式大小的倍数）。
默认情况下，Eigen使用列主格式，因此rowStride() == 1，但它也可以配置为使用行主格式，colStride() == 1。
另一个重要的配置选项是对齐。数据缓冲区可以很好地包括一些不需要的值（即，不是矩阵的一部分的值），以使列或行从对齐的地址开始。这使得矩阵上的运算可矢量化。在上面的示例中，假设列主格式和16字节对齐，以下矩阵
3 7
1 -2
4 5
可以存储赢得以下缓冲区：
0 0 3 1 4 0 7 -2 5 0
0值称为填充。开头的两个0可能是必要的，以确保实际数据的开始与同一边界对齐。 （请注意，data()成员函数将返回3的地址。）在这种情况下，行和列的步幅是
rowStride: 1
colStride: 4
（在未对齐的情况下，他们分别是1和3。）
Numpy期望一个C连续缓冲区，即没有填充的行主结构。如果Eigen没有插入填充，那么行主要要求的问题可以很容易地解决一个列主要的特征矩阵：一个将缓冲区传递给一个numpy数组，结果ndarray被重新整形和转置。我设法完美地完成了这项工作。
但是在Eigen插入填充的情况下，使用这种技术无法解决问题，因为ndarray仍会看到数据中的零并认为它们是矩阵的一部分，同时丢弃一些数组末尾的值。并且这个是我要求解决方案的问题。
现在，作为一个侧面评论，由于我们有幸在循环中拥有@ggael，谁可以放弃一些亮点，我不得不承认我从来没有让Eigen在我的矩阵中插入任何填充。而且我似乎没有在Eigen文档中找到任何填充。但是，我希望对齐策略可以对齐每一列（或行），而不仅仅是第一列。我的期望错了吗？如果我，那么整个问题不适用于Eigen。但它适用于我使用的其他库，我使用了上面描述的对齐策略，所以在回答问题时请不要考虑最后一段。
答案 0 :(得分：1)
我在这里回答了我自己的问题。感谢@ user2357112指向正确的方向：我需要的是PyArray_NewFromDescr。
以下Python对象是特征矩阵的包装器：
struct PyEigenMatrix {
PyObject_HEAD
Eigen::Matrix<RealT, Eigen::Dynamic, Eigen::Dynamic> matrix;
};
RealT是我使用的浮点类型（float）。
为了返回np.ndarray对象，我在类中添加了一个成员函数：
static PyObject*
PyEigenMatrix_as_ndarray(PyEigenMatrix* self, PyObject* args, PyObject* kwds)
{
// Extract number of rows and columns from Eigen matrix
npy_intp dims[] = { self->matrix.rows(), self->matrix.cols() };
// Extract strides from Eigen Matrix (multiply by type size to get bytes)
npy_intp strides[] = {
self->matrix.rowStride() * (npy_intp)sizeof(RealT),
self->matrix.colStride() * (npy_intp)sizeof(RealT)
};
// Create and return the ndarray
return PyArray_NewFromDescr(
&PyArray_Type, // Standard type
PyArray_DescrFromType(typenum), // Numpy type id
2, // Number of dimensions
dims, // Dimension array
strides, // Strides array
self->matrix.data(), // Pointer to data
NPY_ARRAY_WRITEABLE, // Flags
(PyObject*)self // obj (?)
);
}
typenum是numpy type id number。
此调用创建一个新的numpy数组，为其提供一个缓冲区（通过data参数），使用dims和strides参数描述缓冲区（前者也设置形状）返回数组），描述数据dype，将矩阵设置为读写（通过flags参数。
我不确定最后一个参数obj的含义。文档仅在类型与PyArray_Type不同的情况下提及。
为了说明它在实践中是如何工作的，让我展示一些python代码。
In [3]: m = Matrix(7, 3)
In [4]: m
Out[4]:
0.680375 -0.211234 0.566198
0.59688 0.823295 -0.604897
-0.329554 0.536459 -0.444451
0.10794 -0.0452059 0.257742
-0.270431 0.0268018 0.904459
0.83239 0.271423 0.434594
-0.716795 0.213938 -0.967399
In [5]: a = m.as_ndarray()
In [6]: a
Out[6]:
array([[ 0.68 , -0.211, 0.566],
[ 0.597, 0.823, -0.605],
[-0.33 , 0.536, -0.444],
[ 0.108, -0.045, 0.258],
[-0.27 , 0.027, 0.904],
[ 0.832, 0.271, 0.435],
[-0.717, 0.214, -0.967]], dtype=float32)
In [7]: a[2, 1] += 4
In [8]: a
Out[8]:
array([[ 0.68 , -0.211, 0.566],
[ 0.597, 0.823, -0.605],
[-0.33 , 4.536, -0.444],
[ 0.108, -0.045, 0.258],
[-0.27 , 0.027, 0.904],
[ 0.832, 0.271, 0.435],
[-0.717, 0.214, -0.967]], dtype=float32)
In [9]: m
Out[9]:
0.680375 -0.211234 0.566198
0.59688 0.823295 -0.604897
-0.329554 4.53646 -0.444451
0.10794 -0.0452059 0.257742
-0.270431 0.0268018 0.904459
0.83239 0.271423 0.434594
-0.716795 0.213938 -0.967399
Matrix是我的PyEigenMatrix类型。我添加了一个__repr__函数，它使用Eigen的流运算符打印矩阵。我可以得到一个ndarray a，它与Eigen矩阵完全对应。当我修改a（In[7]）时，不仅修改了numpy数组（Out[8]），还修改了底层的Eigen数组（Out[9]），表明这两个对象共享相同的内存。
编辑 @ user2357112是正确的两次。他在评论中提出的第二种方法也适用。如果类型PyEigenMatrix导出缓冲区接口（我的类型），那么解决方案就像创建memoryview对象一样简单，in Python或使用C-API，并将此对象传递给np.array函数，同时指定copy=False。
以下是它的工作原理：
In [2]: m = Matrix(7, 3)
In [3]: mv = memoryview(m)
In [4]: a = np.array(mv, copy=False)
In [5]: m
Out[5]:
0.680375 0.536459 0.904459
-0.211234 -0.444451 0.83239
0.566198 0.10794 0.271423
0.59688 -0.0452059 0.434594
0.823295 0.257742 -0.716795
-0.604897 -0.270431 0.213938
-0.329554 0.0268018 -0.967399
In [6]: a
Out[6]:
array([[ 0.68 , 0.536, 0.904],
[-0.211, -0.444, 0.832],
[ 0.566, 0.108, 0.271],
[ 0.597, -0.045, 0.435],
[ 0.823, 0.258, -0.717],
[-0.605, -0.27 , 0.214],
[-0.33 , 0.027, -0.967]], dtype=float32)
In [7]: a [3, 1] += 2
In [8]: a
Out[8]:
array([[ 0.68 , 0.536, 0.904],
[-0.211, -0.444, 0.832],
[ 0.566, 0.108, 0.271],
[ 0.597, 1.955, 0.435],
[ 0.823, 0.258, -0.717],
[-0.605, -0.27 , 0.214],
[-0.33 , 0.027, -0.967]], dtype=float32)
In [9]: m
Out[9]:
0.680375 0.536459 0.904459
-0.211234 -0.444451 0.83239
0.566198 0.10794 0.271423
0.59688 1.95479 0.434594
0.823295 0.257742 -0.716795
-0.604897 -0.270431 0.213938
-0.329554 0.0268018 -0.967399
此方法的优点是它不需要numpy C-API。矩阵类型只需要支持缓冲协议，这比直接依赖numpy的方法更通用。