创建和填充巨大的numpy 2D阵列的最快方法？

Question

我必须创建并填充巨大的（ 例如 96 Go，72000行* 72000列）数组，每个数组中都有来自数学公式的浮点数。 该数组将在之后计算。

import itertools, operator, time, copy, os, sys
import numpy 
from multiprocessing import Pool


def f2(x):  # more complex mathematical formulas that change according to values in *i* and *x*
    temp=[]
    for i in combine:
        temp.append(0.2*x[1]*i[1]/64.23)
    return temp

def combinations_with_replacement_counts(n, r):  #provide all combinations of r balls in n boxes
   size = n + r - 1
   for indices in itertools.combinations(range(size), n-1):
       starts = [0] + [index+1 for index in indices]
       stops = indices + (size,)
       yield tuple(map(operator.sub, stops, starts))

global combine
combine = list(combinations_with_replacement_counts(3, 60))  #here putted 60 but need 350 instead
print len(combine)
if __name__ == '__main__':
    t1=time.time()
    pool = Pool()              # start worker processes
    results = [pool.apply_async(f2, (x,)) for x in combine]
    roots = [r.get() for r in results]
    print roots [0:3]
    pool.close()
    pool.join()
    print time.time()-t1

• 什么是创建和填充如此巨大的numpy阵列的最快方法？ 填充列表然后聚合然后转换为numpy数组？
• 我们可以并行计算，知道2d阵列的情况/列/行是独立的，以加速数组的填充吗？ 使用多处理优化此类计算的线索/路径？

Answer 1

我知道你可以创建可以从不同线程更改的共享numpy数组（假设更改的区域不重叠）。 下面是您可以使用的代码草图（我在stackoverflow上看到了原始的想法，编辑：这里是https://stackoverflow.com/a/5550156/1269140 ）

import multiprocessing as mp ,numpy as np, ctypes

def shared_zeros(n1, n2):
    # create a 2D numpy array which can be then changed in different threads
    shared_array_base = mp.Array(ctypes.c_double, n1 * n2)
    shared_array = np.ctypeslib.as_array(shared_array_base.get_obj())
    shared_array = shared_array.reshape(n1, n2)
    return shared_array

class singleton:
    arr = None

def dosomething(i):
    # do something with singleton.arr
    singleton.arr[i,:] = i
    return i

def main():
    singleton.arr=shared_zeros(1000,1000)
    pool = mp.Pool(16)
    pool.map(dosomething, range(1000))

if __name__=='__main__':
    main()

Answer 2

您可以使用所需的形状创建一个空的numpy.memmap数组，然后使用multiprocessing.Pool填充其值。 正确地执行此操作还会使池中每个进程的内存占用量相对较小。