原地操作通过复用内存避免分配，如修改shape或使用+=；广播赋值和视图可零拷贝共享数据；真正省内存在于预分配与掌控内存归属。

因为原地操作不创建新数组，只复用已有内存块，避免了数据复制和额外分配。

原地操作直接改 shape 或用 +=，不触发内存分配

NumPy 数组的 shape 是一个可写属性，修改它（如 arr.shape = (100, 100)）只是重解释同一块连续内存的维度信息，底层数据地址和字节长度完全不变。类似地，+=、-= 等就地运算调用的是底层 ufunc 的 out 参数，目标缓冲区就是原数组本身。

• 对比 arr = arr + 1：必须分配新内存存放结果，原数组仍驻留（除非无引用），内存翻倍风险高
• arr += 1：直接在 arr.data 起始地址上逐元素更新，零新增内存
• 注意：arr.reshape(...) 默认返回副本；要原地，得用 arr.shape = ... 或 np.reshape(arr, ..., order='K')（仅当内存布局允许时才真原地）

广播赋值比 np.repeat 更省内存

很多场景下你以为需要“重复”数据（比如把 (N,) 向量扩展成 (N, D)），其实只需广播+切片赋值即可，根本不用生成重复副本。

macOS UI 自动化技能包 —— 用 Python 控制你的 Mac

让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限

下载

• target[:] = norms[:, None]：只要 target 已预分配好形状，这行就完成广播写入，无中间数组
• np.repeat(norms[:, None], D, axis=1)：强制分配 (N, D) 大小的新内存，并拷贝 D 次数据
• np.broadcast_to(norms[:, None], target.shape) 返回的是只读视图，内存占用为 0，适合后续只读计算

视图共享内存，但需警惕生命周期和意外修改

切片、np.transpose（非副本情形）、np.expand_dims 等常返回视图，它们共用原始数组的 data 缓冲区。

立即学习“Python免费学习笔记（深入）”；

• 好处：读取子区域几乎零开销，适合大数据分块处理
• 风险：修改视图会同步改原数组；若原数组提前被释放（如局部变量退出作用域），视图可能引发 ValueError: array is not writeable 或静默错误
• 判断是否为视图：arr.base is not None；确认独立性用 arr.copy()

真正节省内存的关键不在“用了什么函数”，而在于你是否掌控了内存归属——预分配、复用、避免隐式副本，这些动作比语法糖重要得多。一旦数组规模上千万，多一次 np.concatenate 或漏掉一个 inplace=True，就可能触发 OOM。