对 NumPy arrays 进行批量分配的最快方法是什么？

Question

我正在研究一个机器学习问题，我需要构建一个维度数组mxnxp 。

为了这个问题，假设我们有m个位置， n时间 windows，以及每个时间 window 的每个观察的p个特征。

我们的数据存储一次只能返回一个位置的数据，换句话说，我们得到一个大小为1 xnxp的数组。 但是对于预测步骤，我们希望将所有内容合并到一个大小为mxnxp的数组中。

在p相对较小的情况下，使用我们不在乎的天真的方法，这已经足够快了。 然而，在某些情况下，我们有相当大的p ，这使得这相当慢。

例如：

In [44]: A = np.arange(4800000000, dtype=np.float32).reshape(20,30,8000000)

In [45]: x = np.random.randn(30, 8000000)

In [46]: %timeit A[0,:] = x
39.5 ms ± 2.37 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

虽然 40 毫秒在表面上并不算多，但对于 100 的m执行此操作，在这个相当简单的操作中只需 4 秒。

有没有更快的方法来构建这个数组？