如何将C++矩阵传入Python并作为Numpy数组使用？

1. Python侧准备 #

先编写一个接收Numpy数组并返回处理结果的函数，保存为matrix_ops.py：

import numpy as np

def process_matrix(arr):
    # 示例：将输入矩阵元素乘以2后返回
    return arr * 2

2. C++端实现 #

2.1 核心思路 #

利用pybind11的py::array_t封装C矩阵数据（自动适配buffer protocol），直接传递给Python函数；接收返回的Numpy数组后，通过py::buffer_info提取数据到C结构中。

2.2 完整代码 #

#include <pybind11/pybind11.h>
#include <pybind11/numpy.h>
#include <vector>
#include <iostream>

namespace py = pybind11;

int main() {
    // 初始化Python解释器，必须放在所有pybind11操作之前
    py::scoped_interpreter guard{};

    try {
        // 加载Python模块
        py::module_ ops_module = py::module_::import("matrix_ops");
        // 获取目标处理函数
        py::object process_func = ops_module.attr("process_matrix");

        // 构造C++端矩阵（用连续内存存储，匹配Numpy的内存布局）
        const int rows = 3;
        const int cols = 3;
        std::vector<float> matrix_data(rows * cols);
        // 填充测试数据：1~9的3x3矩阵
        for (int idx = 0; idx < rows * cols; ++idx) {
            matrix_data[idx] = idx + 1.0f;
        }

        // 将C++数据包装为Numpy数组
        // 若需确保C++数据生命周期与数组绑定，可添加第三个参数py::cast(matrix_data)
        py::array_t<float> np_matrix({rows, cols}, matrix_data.data());

        // 调用Python函数并获取返回值
        py::object result_obj = process_func(np_matrix);

        // 把返回的Python对象转为Numpy数组
        py::array_t<float> result_np = py::cast<py::array_t<float>>(result_obj);
        // 获取数组的buffer信息（内存指针、形状等）
        py::buffer_info buf_info = result_np.request();
        float* result_data = static_cast<float*>(buf_info.ptr);
        int result_rows = buf_info.shape[0];
        int result_cols = buf_info.shape[1];

        // 打印验证结果
        std::cout << "处理后的矩阵：" << std::endl;
        for (int i = 0; i < result_rows; ++i) {
            for (int j = 0; j < result_cols; ++j) {
                std::cout << result_data[i * result_cols + j] << " ";
            }
            std::cout << std::endl;
        }

    } catch (const py::error_already_set& e) {
        std::cerr << "Python执行错误：" << e.what() << std::endl;
        return 1;
    }

    return 0;
}

2.3 关键细节说明 #

• 内存管理：如果C数据会在Numpy数组使用期间被释放，构造py::array_t时需添加py::cast(matrix_data)作为第三个参数，通过keep_alive机制确保C容器的生命周期覆盖Numpy数组。
• Buffer Protocol适配：py::array_t已内置实现buffer protocol，Python侧的Numpy可直接识别，无需手动构建底层buffer对象。
• 错误处理：捕获py::error_already_set可获取Python侧抛出的异常信息，方便调试。

3. 编译运行 #

用CMake构建的示例配置（CMakeLists.txt）：

cmake_minimum_required(VERSION 3.14)
project(cpp_py_matrix)

find_package(pybind11 REQUIRED)

add_executable(cpp_py_matrix main.cpp)
target_link_libraries(cpp_py_matrix PRIVATE pybind11::embed)

编译完成后，确保matrix_ops.py在可执行文件的同级目录，直接运行即可看到输出。

内容的提问来源于stack exchange，提问作者Victor M