为何不同Numpy数组的data属性返回相同内存地址？

问题场景 #

用户创建了以下Numpy数组并打印ndarray.data：

import numpy as np

a = np.array([[1,2,3],[1,2,3]])    # 2d整数数组
b = np.array([[1,2,3],[1,2,5.0]])  # 2d浮点数数组
c = np.array([1,2,3,4,5,6,7,8,9])  # 1d整数数组
d = np.array([10,20,30])           # 另一个1d整数数组

# 打印指向数组数据起始位置的Python buffer对象
print(a.data)
print(b.data)
print(c.data)
print(d.data)

根据文档描述，ndarray.data应返回指向数组数据起始位置的Python buffer对象，预期每个数组的内存地址不同，但实际输出为：

<memory at 0x000001EAE8B7CAD0>
<memory at 0x000001EAE8B7CAD0>
<memory at 0x000001EAE98E8A00>
<memory at 0x000001EAE98E8A00>

前两个数组的buffer对象地址相同，后两个也相同，疑问：Numpy是根据数组维度推断内存buffer对象指针吗？生成相似地址的规则是什么？

解答 #

核心误区：混淆了两个地址 #

你看到的<memory at 0x...>是Python memoryview对象本身的内存地址，不是数组实际数据在内存中的地址。这是两个完全不同的概念：

• 数组实际数据的地址：是Numpy在堆上分配的、存储数组元素的内存块起始地址
• memoryview对象的地址：是Python为这个视图对象分配的小内存块地址，仅用于指向数组数据

为什么会出现相同地址？ #

这和Numpy无关，是Python的垃圾回收与内存复用机制导致的：

• 当你执行print(a.data)时，Numpy会临时创建一个memoryview对象，打印完成后这个对象没有被任何变量引用，会被Python的垃圾回收器标记为可回收
• 当后续执行print(b.data)时，Python的内存分配器会优先复用之前被回收的memoryview对象的内存空间，所以新创建的memoryview对象会使用和之前相同的地址

如果你把每个memoryview对象保存下来（避免被回收），就会看到所有地址都不同：

import numpy as np

a = np.array([[1,2,3],[1,2,3]])
b = np.array([[1,2,3],[1,2,5.0]])
c = np.array([1,2,3,4,5,6,7,8,9])
d = np.array([10,20,30])

# 保存memoryview对象，防止被垃圾回收
mv_a = a.data
mv_b = b.data
mv_c = c.data
mv_d = d.data

print(mv_a)
print(mv_b)
print(mv_c)
print(mv_d)

如何查看数组实际数据的内存地址？ #

要获取数组元素存储的真实内存地址，可以用以下两种方式：

1. 使用__array_interface__属性：

print(a.__array_interface__['data'][0])  # 输出数组a数据的起始地址
print(b.__array_interface__['data'][0])  # 输出数组b数据的起始地址

2. 使用ctypes.data属性：

print(a.ctypes.data)
print(b.ctypes.data)

这两种方式得到的地址才是数组实际数据的内存位置，每个数组的这个地址都是不同的（除非数组是视图或者共享内存）。

内容的提问来源于stack exchange，提问作者darren