Numpy concatenate生成数组的切片非F-Contiguous问题求解

现象原理说明 #

你遇到的现象是NumPy数组内存布局与切片机制的正常表现，不存在操作失误：

• Fortran连续（列优先）的二维数组，内存中同一列的元素相邻存储。对于shape=(M, 4)的F序float64数组，其strides为(8, 8*M)：行索引+1时地址偏移8字节，列索引+1时地址偏移8*M字节。
• 沿行方向切片得到的shape=(5,4)子数组是原数组的视图，会继承原数组的strides属性。而shape=(5,4)的数组要满足F序连续，列方向的stride需要为8*5，和继承的8*M（M>5）不匹配，因此切片的f_contiguous标识为False。

最优解决方案（零内存拷贝，性能无损失） #

无需强制转换切片为F连续数组，直接调整BLAS的dgemm调用参数即可：
BLAS例程设计本身就支持非连续数组输入，通过lda/ldb/ldc（矩阵首维度步长）参数适配非连续内存布局。你只需将切片对应的leading dimension设置为原始大数组的行数即可，完全不需要额外的内存拷贝操作，性能开销为0，是高频调用、大矩阵场景下的最优选择。

次优解决方案（按需拷贝，性能可控） #

如果你的后续逻辑只能接收F连续数组，可以直接调用NumPy内置的np.asfortranarray()处理切片：

slice_f = np.asfortranarray(arr_f[0:5, :])

该函数是C实现的优化接口，仅当输入非F连续时才会触发内存拷贝，性能远高于手动构造嵌套列表、遍历转换的方案。

内容的提问来源于stack exchange，提问作者ddm-j