为何Numpy数组逐元素遍历比按列批量操作速度更快？

原本想验证遍历数组前两个维度是否比按列执行操作慢很多，结果意外发现逐元素操作反而更快，求解释。

测试代码 #

import numpy as np
import timeit

def row_by_row(arr, cop):
    for i in range(arr.shape[0]):
        for ii in range(arr.shape[1]):
            arr[i, ii] = cop[i, ii].copy()
    return arr

def all(arr, cop):
    for i in range(arr.shape[1]):
        arr[:,i] = cop[:, i].copy()
    return arr

print(timeit.timeit("row_by_row(arr, cop)", setup="arr=np.ones((26, 15, 5000)); cop = np.random.random((26, 15,5000))",number=50, globals=globals()))
print(timeit.timeit("all(arr, cop)",setup="arr=np.ones((26, 15,5000)); cop=np.random.random((26, 15,5000))",  number=50, globals=globals()))

运行耗时 #

0.12496590000000007
0.4989047

核心原因在于NumPy数组的内存布局和连续/非连续数组的操作效率差异：

• 内存存储顺序：NumPy默认采用C语言式的**行优先（C-order）**存储，也就是数组元素在内存中按第0维度→第1维度→第2维度的顺序连续排列。对于你的(26,15,5000)数组：

  • arr[i, ii]是取第i行第ii列对应的一维子数组（shape=(5000,)），这部分元素在内存中是完全连续的块，访问和拷贝效率极高。
  • arr[:, i]是取所有行的第i列对应的二维子数组（shape=(26,5000)），这部分元素在内存中是分散的（按arr[0,i,0], arr[1,i,0], ..., arr[25,i,0], arr[0,i,1], arr[1,i,1], ...的顺序存储），属于非连续数组视图，操作时无法利用连续内存的快速拷贝优化。

• 操作开销对比：

  • row_by_row函数：循环次数是26×15=390次，但每次操作的是连续的5000元素块。cop[i,ii].copy()是对连续内存的快速拷贝，赋值给arr[i,ii]也是连续内存的直接覆盖，底层可以调用高效的memcpy类操作，单次循环开销极低。
  • all函数：循环次数仅15次，但每次操作的是非连续的(26,5000)数组。首先cop[:,i].copy()需要把非连续的内存重新整理成连续块（额外的内存拷贝开销），然后赋值给arr[:,i]时，又要把连续块的元素分散写入到非连续的内存地址中（无法用批量拷贝，只能逐元素或分块处理），单次循环的开销远高于前者。

• 冗余的copy()调用：其实两个函数里的.copy()都是多余的——直接赋值arr[i,ii] = cop[i,ii]或arr[:,i] = cop[:,i]就能完成数据覆盖。但即使去掉copy()，all函数的效率依然会远低于row_by_row，因为核心的非连续数组操作瓶颈没有解决。

补充：如果想让按列操作的效率提升，可以先把数组转成Fortran顺序（列优先），或者使用np.ascontiguousarray将非连续视图转为连续数组后再操作，但这会带来额外的内存开销。

内容的提问来源于stack exchange，提问作者Samuel K.