Numpy按Fortran顺序reshape速度慢原因及无拷贝转置方案问询

两种reshape写法的速度差异成因 #

np.reshape的order参数会同时作用于从原数组取值和向输出数组写入两个阶段：

• 直接对原数组调用np.reshape(a, [3000,2000,1000], order='F')时，NumPy需要按Fortran顺序从原C连续数组中取值重排，这一步会触发全量数据拷贝，你测试中的24秒就是拷贝约24GB（100020003000*4字节）数据的耗时，最终得到的c是独立新数组而非视图。
• 先调用a.ravel()再reshape的写法中，ravel()默认返回C连续的一维展平视图，此时再用order='F'reshape，仅需要修改数组的shape和stride元属性，不需要拷贝任何数据，耗时只有微秒级，得到的b是原数组的共享内存视图。

零拷贝转Fortran顺序视图的方案 #

你此前对三维数组不支持转置的认知是误区，NumPy任意维度数组都支持.T操作，a.T就是最简单的零拷贝Fortran连续视图：它完全通过修改stride实现维度反转，不会触发数据拷贝，得到的数组天然满足F连续的要求，是该场景下的最优解。
注意np.asfortranarray只有在要求输出和输入形状一致时才会强制生成拷贝，如果你可以接受维度反转后的形状，直接用.T即可。

f2py自动处理数组顺序的方法 #

f2py本身就支持自动适配输入数组的内存布局，不需要你手动转置：

• 你只需要把Fortran子程序里的数组维度顺序和NumPy里的声明反过来即可，比如NumPy中数组维度是(x,y,z)，Fortran里声明为(z,y,x)，f2py会自动适配内存布局，不会产生额外拷贝。
• 也可以在编译f2py模块时指定intent(in, out, inplace)等属性，调用时不需要手动做转置操作，f2py会自动完成内存布局适配。

验证代码参考 #

import numpy as np
a = np.empty([1000,2000,3000],dtype=np.float32)
# 方案1：先ravel再reshape
b = np.reshape(a.ravel(),[3000,2000,1000],order='F')
print(np.shares_memory(a, b)) # 输出True
# 方案2：直接转置（更简便）
d = a.T
print(np.shares_memory(a, d)) # 输出True
print(d.flags.f_contiguous) # 输出True
# 直接reshape方案
c = np.reshape(a,[3000,2000,1000],order='F')
print(np.shares_memory(a, c)) # 输出False

内容的提问来源于stack exchange，提问作者L. Robison