在Cython中无拷贝将C++ vector转换为NumPy数组的方法

你的问题核心是避开不必要的数据拷贝——np.ascontiguousarray哪怕面对连续的输入数据，也会默认创建新数组并拷贝内容（因为它无法感知底层内存的所有权逻辑），所以处理大vector时速度拉胯是必然的。好在C++标准明确规定vector的内存是连续存储的，我们可以直接让NumPy数组共享vector的底层内存，完全跳过拷贝步骤。

核心实现思路 #

利用NumPy的底层API，直接从vector的内存指针创建数组，同时明确告诉NumPy不要接管内存所有权（避免双重释放或野指针问题），让原vector负责内存的生命周期管理。

Cython代码示例 #

cimport numpy as np
import numpy as np
from libcpp.vector cimport vector

def cpp_vector_to_numpy(vector[float]& cpp_vector):
    cdef:
        # 获取vector的底层数据指针和元素数量
        float* vec_data = cpp_vector.data()
        int vec_size = cpp_vector.size()
        # 定义NumPy数组类型（1维float32数组）
        np.ndarray[np.float32_t, ndim=1] np_arr
    
    # 直接从内存指针创建NumPy数组，全程无拷贝
    np_arr = np.PyArray_SimpleNewFromData(
        1,                      # 数组维度
        &vec_size,              # 各维度大小的指针
        np.NPY_FLOAT32,         # 数据类型（严格对应C++ float）
        <void*>vec_data         # 底层内存指针
    )
    
    # 关键操作：设置数组基对象为NULL，让NumPy不尝试释放这块内存
    # 内存的创建和销毁完全由原C++ vector负责
    np.PyArray_SetBaseObject(np_arr, NULL)
    
    return np_arr

必须注意的风险点 #

• 生命周期依赖：原C++ vector的生命周期必须长于NumPy数组！如果vector被销毁、resize（触发内存重分配）或者移动，NumPy数组会立刻变成野指针，访问时直接崩溃。
• 类型严格匹配：C++的float对应NumPy的np.float32，double对应np.float64，类型不匹配会直接导致数据乱码。
• 只读保护（可选）：如果不需要修改NumPy数组，可以额外设置只读标记，避免误修改影响原vector：

  np.PyArray_SetReadOnlyFlag(np_arr, 1)
  

为什么你的原方法速度慢？ #

np.ascontiguousarray的设计目标是确保返回的数组是连续的，哪怕输入本身已经连续，它也会默认创建一份拷贝（因为它无法确认输入内存的所有权和稳定性）。这就是大vector场景下速度慢的根本原因——做了完全没必要的全量数据拷贝。

内容的提问来源于stack exchange，提问作者0x1337