我有一个关于 numpys 内存视图的问题：
假设我们有两个带内存的数组：
import numpy as np
import gc
x = np.arange(4*3).reshape(4,3).astype(float)
y = (np.arange(5) - 5).astype(float)
y_ref = y
我们在框架中使用这些 ( x, y)，因此我们不能只是重新定义它们，因为用户可能已经为自己链接了它们（如在 中y_ref）。现在我们想将他们的记忆合并到一个视图中。因此，单个视图p与两个数组共享内存。
我是通过以下方式做到的，但不知道这是否会导致内存泄漏：
p = np.empty(x.size+y.size, dtype=float) # create new memory block with right size
c = 0 # current point in memory
# x
p[c:c+x.size].flat = x.flat # set the memory for combined array p
x.data = p[c:c+x.size].data # now set the buffer of x to be the right length buffer of p
c += x.size
# y
p[c:c+y.size].flat = y.flat # set the memory for combined array p
y.data = p[c:c+y.size].data # and set the buffer of x to be the right length buffer of p
因此，我们现在可以对单个视图p或其中一个数组进行操作，而无需重新定义对它们的每个引用
x[3] = 10
print p[3*3:4*3]
# [ 10. 10. 10.]
甚至y_ref得到了更新：
print y[0] # -5
y_ref[0] = 100
print p[x.size] # 100
这是将数组的内存设置为另一个数组的视图的正确方法吗？
有没有一种明显的方法来统一我公然失踪的数组内存？
我不确定旧数据缓冲区会发生什么x，y因为它们现在超出了范围。他们会被解除分配吗？
更新感谢@Jaime：
p.size在我申请的数据集（微生物学）上可以变得非常大（数十亿）。此外，此主题用于具有潜在深层结构的框架中，因此更新所有本地版本可能会变得昂贵。所有参数的更新都需要在优化循环中完成，因此将所有内容都保存在内存中至关重要。
实际上，您的方法是我最初的方法，因为使用 python 层次结构遍历来更新所有本地副本效率低下。