我的印象是，在NumPy中，两个数组可以共享同一块内存。以以下示例为例：
import numpy as np
a=np.arange(27)
b=a.reshape((3,3,3))
a[0]=5000
print (b[0,0,0]) #5000
#Some tests:
a.data is b.data #False
a.data == b.data #True
c=np.arange(27)
c[0]=5000
a.data == c.data #True ( Same data, not same memory storage ), False positive
很明显，b并没有复制a，它只是创建了一些新的元数据并将其附加到与a使用相同的内存缓冲区。有没有办法检查两个数组是否引用同一内存缓冲区？
我的第一印象是使用a.data is b.data，但这会返回false。我可以使用a.data == b.data，它返回True，但我认为这并不检查a和b是否共享相同的内存缓冲区，只是检查a和b引用的内存块是否具有相同的字节。
>>> import numpy as np
>>> a = np.arange(27)
>>> b = a.reshape((3,3,3))
>>> b.base is a
True
>>> a.base is b
False
不确定它是否解决了你的问题。 如果数组拥有自己的内存，则基础属性将为None。 请注意，即使它是一个子集，数组的基础也将是另一个数组：
不确定这是否解决了您的问题。如果数组拥有自己的内存，则基本属性将为None。请注意，即使它是子集，数组的基础仍然是另一个数组：
>>> c = a[2:]
>>> c.base is a
True
a.base is b or b.base is a。 - user545424.base 属性，例如 a.base.base is b 可能为真。数组也可以构造成指向相同内存但未共享相同 .base 对象。 - Robert Kerna.base is b or b.base is a or a.base is b.base，但这似乎并不是很流畅。 - mgilsondef base(a): return a if a.base is None else base(a.base); base(a) is base(b). 当然，如果数组共享数据但没有相同的最终基础，则仍然无法解决问题。 - ecatmurm=matrix(b)，然后m.base is a将引发False，但是，m.base.base is a将引发True。因此，一个人应该始终依赖于may_share_memory。 - Wang要准确解决问题，您可以使用
import numpy as np
a=np.arange(27)
b=a.reshape((3,3,3))
# Checks exactly by default
np.shares_memory(a, b)
# Checks bounds only
np.may_share_memory(a, b)
两个函数np.may_share_memory和np.shares_memory都可以接受一个可选的max_work参数，让您决定要付出多少努力以确保没有误报。由于这个问题是NP完全问题，因此始终找到正确答案可能非常计算密集。
我认为jterrace的答案可能是最好的方法，但这里还有另一种可能性。
def byte_offset(a):
"""Returns a 1-d array of the byte offset of every element in `a`.
Note that these will not in general be in order."""
stride_offset = np.ix_(*map(range,a.shape))
element_offset = sum(i*s for i, s in zip(stride_offset,a.strides))
element_offset = np.asarray(element_offset).ravel()
return np.concatenate([element_offset + x for x in range(a.itemsize)])
def share_memory(a, b):
"""Returns the number of shared bytes between arrays `a` and `b`."""
a_low, a_high = np.byte_bounds(a)
b_low, b_high = np.byte_bounds(b)
beg, end = max(a_low,b_low), min(a_high,b_high)
if end - beg > 0:
# memory overlaps
amem = a_low + byte_offset(a)
bmem = b_low + byte_offset(b)
return np.intersect1d(amem,bmem).size
else:
return 0
示例：
>>> a = np.arange(10)
>>> b = a.reshape((5,2))
>>> c = a[::2]
>>> d = a[1::2]
>>> e = a[0:1]
>>> f = a[0:1]
>>> f = f.reshape(())
>>> share_memory(a,b)
80
>>> share_memory(a,c)
40
>>> share_memory(a,d)
40
>>> share_memory(c,d)
0
>>> share_memory(a,e)
8
>>> share_memory(a,f)
8
这里展示了在我的电脑上，每次调用 share_memory(a,a[::2]) 所需的时间随着 a 中元素数量的变化而变化的图表。
share_memory()需要的内存大小是每个数组大小之和，但它非常快。 - user545424Just do:
a = np.arange(27)
a.__array_interface__['data']
numpy.may_share_memory的文档（除了内置的help），所以我认为可能还有其他东西--例如numpy.uses_same_memory_exactly。（我的用例比另一个用例略微特殊，因此我认为可能会有更明确的答案）。无论如何，既然在几个numpy邮件列表中看到了您的名字，我猜想答案是“没有这样的函数”。 - mgilsonnumpy.may_share_memory()没有出现在参考手册中，这只是由于参考手册的组织方式不当造成的偶然事件。使用它是正确的选择。不幸的是，目前还没有uses_same_memory_exactly()函数。要实现这样一个函数需要解决一个有界线性丢番图方程，这是一个NP难问题。问题规模通常不会太大，但编写算法很麻烦，所以尚未完成。如果我们完成了，它将被合并到numpy.may_share_memory()中，因此我建议使用它。 - Robert Kernnp.may_share_memory()。 我主要用它来进行调试/优化，以确保我不会意外地分配数组。再次感谢。 - mgilson