如何仅运行一次Parameter.py，让其他文件复用其中的大型numpy数组？

方法1：利用Python模块的缓存机制（简单直接） #

Python默认会缓存已导入的模块，但前提是两个main文件在同一个Python进程中运行。如果你的两个main文件是分开独立运行的（比如分别执行python main.py和python main(1).py），缓存机制不起作用；但如果是在同一个进程里调用两个文件的逻辑，这个方法就能生效。

你可以新增一个入口文件run_all.py：

import main
import main_1  # 建议把main(1).py改成合法文件名，比如main_1.py，避免括号带来的语法问题

运行python run_all.py时，Parameter.py只会被导入一次，生成的数组会被缓存，main和main_1都能直接复用这个数组。

方法2：将数组序列化保存到文件（跨进程复用） #

如果必须分开运行两个main文件，那就把生成好的数组保存到磁盘，后续直接读取，不用重新生成。

修改Parameter.py：

import numpy as np
import os

# 定义数组保存路径
ARRAY_SAVE_PATH = "large_array_cache.npy"

def get_large_array():
    # 检查缓存文件是否存在，存在直接读取，不存在再生成
    if os.path.exists(ARRAY_SAVE_PATH):
        return np.load(ARRAY_SAVE_PATH)
    else:
        # 原来的大数组生成逻辑
        large_array = np.random.rand(10000, 10000)  # 示例大数组，替换成你的生成代码
        np.save(ARRAY_SAVE_PATH, large_array)
        return large_array

# 初始化全局数组
large_array = get_large_array()

然后在main.py和main(1).py中正常导入：

from Parameter import large_array

第一次运行任意一个文件时会生成并保存数组，之后再运行就直接读取缓存文件，避免重复耗时生成。

方法3：用共享内存实现跨进程复用（适合超大型数组） #

如果数组体积极大，不想占用磁盘空间，或者需要实时交互更新，可以用共享内存的方式。比如借助Python的multiprocessing.shared_memory模块：

示例简化版代码：

# Parameter.py
import numpy as np
from multiprocessing import shared_memory

def init_shared_array():
    # 生成大数组
    large_array = np.random.rand(10000, 10000)
    # 创建共享内存块
    shm = shared_memory.SharedMemory(create=True, size=large_array.nbytes)
    # 将数组映射到共享内存
    shared_arr = np.ndarray(large_array.shape, dtype=large_array.dtype, buffer=shm.buf)
    shared_arr[:] = large_array[:]
    return shm, shared_arr

# 初始化共享内存数组
shm_obj, large_array = init_shared_array()

后续在main文件中可以连接到这个共享内存使用数组，注意使用完要手动释放共享内存，避免内存泄漏。

额外提醒 #

• 尽量避免使用带特殊字符的文件名，比如main(1).py，建议改成main_1.py，防止导入时出现语法错误。
• 如果用文件缓存的方式，当数组需要更新时，记得删除缓存的.npy文件，或者在代码中添加更新判断逻辑。

内容的提问来源于stack exchange，提问作者Iti