NumPy ufunc 的 out 参数支持就地计算，避免临时数组分配，但需确保目标数组形状和 dtype 兼容、可写且内存连续；否则会退化为普通计算。
用 out 参数实现就地计算，避免临时数组分配
NumPy多数ufunc（如 np.add、np.multiply、np.sin）都支持 out 参数，它允许你把计算结果直接写入已有数组，跳过新内存分配。这是最常用、最安全的就地修改方式。
- 必须确保目标数组形状和 dtype 兼容，否则会报
ValueError: output array is not acceptable - 如果目标数组是只读的（
arr.flags.writeable = False），会触发ValueError: output array is read-only - 对同一数组同时作为输入和输出时（如
np.sqrt(arr, out=arr)），行为是定义良好的；但像np.add(a, b, out=a)也是安全的，底层做了保护性拷贝判断
示例：
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
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
import numpy as np a = np.random.rand(1000000).astype(np.float32) # 普通操作：生成新数组，旧 a 仍占用内存 b = np.square(a) <h1>就地操作：复用 a 的内存空间</h1><p>np.square(a, out=a) # a 现在存的是平方值
调用原地方法而非函数式接口，比如 .sort() 和 .fill()
部分数组方法天然设计为就地修改，不返回新数组，也不产生中间对象。这类方法比对应函数（如 np.sort()）更省内存，尤其适合大数组预处理。
立即学习“Python免费学习笔记（深入）”；
-
arr.sort()比np.sort(arr)快约 2–3 倍，且零额外内存分配；但仅支持一维，多维需指定axis并配合kind -
arr.fill(value)是最快的全量赋值方式，比arr[:] = value或np.full_like()更轻量 -
arr.resize()可以就地改变数组大小（注意：若新尺寸超过原始内存容量，仍会重新分配）
示例：
a = np.random.randint(0, 100, 1000000) a.sort() # 就地升序排列，无返回值，不新建数组 <p>b = np.ones(500000) b.fill(42) # 所有元素设为 42，比 b[:] = 42 略快
小心切片赋值和视图共享导致的“伪就地”陷阱
看似就地的操作，可能因隐式拷贝或视图断裂而失效。最典型的是对非连续切片赋值 —— NumPy 无法将结果写入分散内存，会静默创建临时副本再赋值，反而更耗资源。
-
arr[::2] = 0是真正就地的（步进切片仍是连续内存块） -
arr[[0, 100, 1000]] = 0是高级索引，必然触发拷贝，等价于先取副本再赋值回原位置 -
arr.T[0] = 1对转置视图赋值，实际修改的是原数组（因为.T是视图），但若原数组非 C 连续，.T可能返回副本，此时赋值无效
验证是否真就地：检查 arr.data.ptr 在操作前后是否一致，或用 arr.flags.c_contiguous / arr.flags.f_contiguous 判断布局连续性。
dtype 降级 + out 组合，兼顾精度与内存压力
当业务允许降低数值精度时（如图像处理、传感器数据归一化），在就地计算中强制指定低精度 dtype，能进一步减少带宽压力和缓存污染。
-
np.sqrt(a, out=a, dtype=np.float32)：输入是float64，但结果强制存为float32，写入前自动转换 - 注意顺序：
dtype控制输出类型，out数组若 dtype 不匹配，会触发隐式转换并可能报错；稳妥做法是提前a = a.astype(np.float32) - 对
int数组做浮点运算时，out必须是浮点 dtype，否则会截断 —— 这不是 bug，是显式类型契约
真正的就地修改，从来不是“能不能”，而是“要不要共享内存”和“有没有被悄悄打断”。连续性、dtype 匹配、索引模式这三者只要一个不满足，out= 就会退化成普通计算加赋值，性能优势瞬间归零。
