如何在可扩展统计自助法中使用Numpy视图？大数据内存优化

我使用xarray+dask处理大规模数据集以实现可扩展性，这些库在多数计算场景中表现优异，但在最后一步遇到了问题：需对最大维度执行统计自助法（bootstrapping），随后计算其方差。

当前实现代码如下：

idx = xr.DataArray(
    np.random.randint(0, projections.n.size, (sample_count, sample_size)),
    dims=("sample", "n"),
)

bootstrapped_variations = xr.concat(
    [projections.isel(n=i).var(dim="n").sum(dim="ReIm") for i in idx], dim="sample"
).chunk("auto")

该代码在部分样本量下可行，但无法扩展到更大样本量，会出现内存不足错误。我推测核心问题是调用isel时会创建大量新数组，而实际上这些数组在计算方差后会立即被归约。

我希望为单个样本创建numpy视图，避免在内存中分配庞大的新数组，但当前使用的高级索引会返回副本而非视图。即使计算速度稍慢也可接受，我想知道是否可行；同时也想了解是否有其他处理大数据集自助法的高效方式，据我所知np.random.choice同样返回副本而非视图。

内容的提问来源于stack exchange，提问作者krokosik