Question

我在算法中使用了许多大型多维NP阵列（2D和3D）。这里有许多迭代，并且在每次迭代期间，通过执行计算并保存到相同大小的临时数组中来重新计算数组。在单次迭代结束时，临时数组的内容将被复制到实际的数据数组中。

示例：

global A, B # ndarrays
A_temp = numpy.zeros(A.shape)
B_temp = numpy.zeros(B.shape)
for i in xrange(num_iters):
    # Calculate new values from A and B storing in A_temp and B_temp...
    # Then copy values from temps to A and B
    A[:] = A_temp
    B[:] = B_temp

这很好用，但是当A和B只能交换时复制所有这些值似乎有点浪费。以下内容将交换数组：

A, A_temp = A_temp, A
B, B_temp = B_temp, B

但是在其他范围内可以有其他引用的引用，这些引用不会改变。

似乎NumPy可以有一个内部方法来交换两个数组的内部数据指针，例如numpy.swap(A, A_temp)。然后，指向A的所有变量都将指向已更改的数据。

Answer 1

也许你可以通过添加一个间接级别来解决这个问题。

你可以拥有一个“数组持有者”类。所有这一切都是保持对底层NumPy数组的引用。为这两者实施廉价的掉期操作将是微不足道的。

如果所有外部引用都是这些持有者对象而不是直接引用到数组，那么这些引用都不会被交换无效。

Answer 2

我意识到这是一个老问题，但是对于它的价值，您还可以通过执行xor交换在两个ndarray缓冲区（没有临时副本）之间交换数据：

A_bytes = A.view('ubyte')
A_temp_bytes = A.view('ubyte')
A_bytes ^= A_temp_bytes
A_temp_bytes ^= A_bytes
A_bytes ^= A_temp_bytes

由于这是在视图上完成的，如果你查看原始的A和A_temp数组（无论它们的原始dtype是什么），它们的值应该正确交换。这基本上等同于您所寻找的numpy.swap(A, A_temp)。不幸的是，它需要3个循环 - 如果它被实现为ufunc（也许它应该是），它会快得多。

Answer 3

即使你的方式应该工作得很好（我怀疑问题出在其他地方），你可以尝试明确地做：

import numpy as np
A, A_temp = np.frombuffer(A_temp), np.frombuffer(A)

验证您的方法是否也能正常运行并不难：

>>> import numpy as np
>>> arr = np.zeros(100)
>>> arr2 = np.ones(100)
>>> print arr.__array_interface__['data'][0], arr2.__array_interface__['data'][0]
152523144 152228040

>>> arr, arr2 = arr2, arr
>>> print arr.__array_interface__['data'][0], arr2.__array_interface__['data'][0]
152228040 152523144

...指针切换

在NumPy中交换数组数据

3 个答案: