如何以向量化方式将pandas Series元素复制到Python内置array？

要实现无循环的向量化复制，且不改变原array的内存地址，可以利用numpy的内存视图特性，直接操作array的底层内存，避免Python级别的循环开销。

解决方案代码 #

from array import array
import pandas as pd
import numpy as np

# 初始化示例数据
s = pd.Series(range(0, 10, 2)); s += 0.1
a = array('d', [0.0]*10)

# 向量化替换array的值（核心代码）
# 将array转为numpy内存视图，共享原内存空间
np_array_view = np.ctypeslib.as_array(a)
# 直接赋值Series的底层numpy数组
np_array_view[:len(s)] = s.values

关键说明 #

1. 内存共享，不新建array：np.ctypeslib.as_array(a)会生成一个与原array共享内存的numpy数组视图，赋值操作直接修改原array的内容，不会改变其内存地址，完全符合你需要保留缓冲区地址的场景。
2. 向量化操作：赋值过程是numpy底层的C级操作，没有Python循环，处理大数据量时性能远高于手动循环。
3. 长度适配：如果Series长度与array一致，可直接写np_array_view[:] = s.values；如果长度不同，用切片[:len(s)]控制赋值范围。

验证结果 #

执行后打印array a，会得到预期的赋值结果：

print(a)
# 输出：array('d', [0.1, 2.1, 4.1, 6.1, 8.1, 0.0, 0.0, 0.0, 0.0, 0.0])

内容的提问来源于stack exchange，提问作者S.V