如何高效地对NumPy数组视图原地应用函数？

要实现原地映射操作且利用NumPy的优化特性，核心是直接对视图的切片赋值，避免创建新数组对象。以下分两种场景给出解决方案：

1. 使用NumPy内置向量化函数 #

如果你的目标函数是NumPy原生支持的向量化操作（如平方、正弦、指数等），直接通过view[:] = 向量化函数(view)完成原地修改：

import numpy as np

# 初始化原数组
original_arr = np.array([1, 2, 3, 4, 5], dtype=np.int32)
# 创建数组视图（这里取中间3个元素）
arr_view = original_arr[1:4]

# 原地应用平方函数到视图
arr_view[:] = np.square(arr_view)

print(original_arr)  # 输出: [ 1  4  9 16  5]

这里arr_view[:] = ...会直接修改视图指向的原数组内存区域，不会生成新数组，同时完全利用NumPy的向量化并行优化。

2. 自定义函数的高效原地映射 #

如果需要用自定义函数，优先用numba将函数编译为向量化形式（比np.vectorize更高效，真正实现并行），再通过切片赋值完成原地修改：

import numpy as np
from numba import vectorize

# 自定义元素级函数，用numba编译为向量化函数
@vectorize
def custom_transform(x):
    # 示例：自定义逻辑，比如x*2+1
    return x * 2 + 1

original_arr = np.array([1, 2, 3, 4, 5])
arr_view = original_arr[1:4]

# 原地应用自定义函数
arr_view[:] = custom_transform(arr_view)

print(original_arr)  # 输出: [ 1  5  7  9  5]

关键注意事项 #

• 必须用view[:] = ...而非view = ...：后者会让view变量指向新数组对象，原数组不会被修改；前者才是直接修改视图对应的原数组内存。
• 确保函数返回值类型与数组dtype兼容：如果类型不匹配，会触发类型转换错误，可提前通过arr_view.dtype确认类型，或在函数中显式转换返回值类型。

内容的提问来源于stack exchange，提问作者sajmon