能否使用自定义数据类型在共享内存中创建NumPy数组？

嘿，这个问题我之前也踩过类似的坑！答案是完全可以，但你当前的写法有个关键错误，导致抛出了那个TypeError。

问题出在哪？ #

你用了np.array()函数并传入buffer参数，但实际上**np.array()根本不支持buffer这个关键字参数**——你大概率是把它和np.ndarray()的构造函数搞混了！np.array()的核心作用是从列表、元组这类已有数据集合生成数组，而要直接把共享内存缓冲区包装成NumPy数组，不管是简单dtype还是你这种自定义的结构化dtype，都得用np.ndarray来实现。

另外，你同时给np.array()传入了数据列表和buffer参数，这本身就逻辑冲突：np.array()会优先处理你传入的列表数据，完全不会理会buffer参数，这也是报错的直接原因。

正确的实现方法 #

我们换用np.ndarray()来包装共享内存缓冲区，步骤很清晰：

1. 先定义你的自定义结构化dtype，计算出单个元素的字节数，再根据需要的元素个数算出共享内存的总大小（避免内存不够用）
2. 创建共享内存对象
3. 用np.ndarray()把共享内存缓冲区包装成数组，指定好shape、dtype和buffer
4. 最后给数组赋值即可

来看具体的代码示例：

import numpy as np
from multiprocessing import shared_memory

# 定义自定义结构化数据类型
my_dtype = np.dtype([('name', 'U10'), ('age', 'i4'), ('weight', 'f4')])
# 计算需要的共享内存大小：元素个数 × 单个元素字节数
element_count = 2
total_size = element_count * my_dtype.itemsize

# 创建共享内存对象
b_shared_memory = shared_memory.SharedMemory(create=True, name="test235", size=total_size)

# 用np.ndarray包装共享内存缓冲区，生成结构化数组
x = np.ndarray(shape=(element_count,), dtype=my_dtype, buffer=b_shared_memory.buf)

# 给数组赋值
x[:] = [('Rex', 9, 81.0), ('Fido', 3, 27.0)]

# 验证结果
print(x)

额外注意事项 #

• 一定要准确计算共享内存大小：如果分配的内存比实际需要的小，会导致内存越界，出现莫名其妙的错误；如果太大则会浪费内存，用dtype.itemsize能精准获取单个元素的字节数。
• 使用完共享内存后记得清理：在创建共享内存的进程里，用完要先调用b_shared_memory.close()，再调用b_shared_memory.unlink()释放内存；其他访问该共享内存的进程只需要调用close()即可。
• 跨进程访问时，只需要在另一个进程中打开已有的共享内存（用shared_memory.SharedMemory(name="test235")），再用np.ndarray()包装成数组就能直接读写数据了。

内容来源于stack exchange