NumPy的组阵列存储

Question

我有一个关于numpys存储视图的问题：

假设我们有两个数组内存：

import numpy as np 
import gc 
x = np.arange(4*3).reshape(4,3).astype(float) 
y = (np.arange(5) - 5).astype(float) 
y_ref = y 

我们使用这些（x，y）在一个框架中，这样我们不能重新定义它们，因为用户可能已经为自己链接了它们（如在y_ref中）。现在我们要在一个视图中结合他们的记忆。因此，单个视图，例如p与两个阵列共享内存。

我做到了，在下面的方法，但不知道这是否会导致内存泄漏：

p = np.empty(x.size+y.size, dtype=float) # create new memory block with right size 
c = 0 # current point in memory 

# x 
p[c:c+x.size].flat = x.flat # set the memory for combined array p 
x.data = p[c:c+x.size].data # now set the buffer of x to be the right length buffer of p 

c += x.size 

# y 
p[c:c+y.size].flat = y.flat # set the memory for combined array p 
y.data = p[c:c+y.size].data # and set the buffer of x to be the right length buffer of p 

因此，我们现在可以在单一视图p或任一数组的操作，而不必redifine每一个参考他们

x[3] = 10 
print p[3*3:4*3] 
# [ 10. 10. 10.] 

即使y_ref已经拿到了更新：

print y[0] # -5 
y_ref[0] = 100 
print p[x.size] # 100 

这是将数组的内存设置为另一个数组视图的正确方法吗？

是否有统一数组内存的显而易见的方法，我公然缺失？

我不知道x和y的旧数据缓冲区会发生什么情况，因为它们现在已超出范围。他们会被释放吗？

更新感谢@Jaime：

p.size可以得到非常大（数十亿）数据集上我申请（微生物）。另外，这个主题被用于具有可能较深结构的框架中，因此更新所有本地版本可能会变得昂贵。所有参数的更新都需要在优化循环中完成，因此将所有内容都放在内存中至关重要。

其实你的方法是我从一开始，因为它是低效的使用python层次遍历来更新所有本地副本。

Answer 1

根据源代码，旧的数据缓冲区将被释放。

https://github.com/numpy/numpy/blob/6c6ddaf62e0556919a57d510e13ccb2e6cd6e043/numpy/core/src/multiarray/getset.c#L329

但如果旧缓冲区被其他数组引用，它会导致问题：

import numpy as np 

a = np.zeros(10) 
b = np.zeros(10) 
c = a[:] 
a.data = b 
print c