numpy.shares_memory

numpy.shares_memory(a, b, /, max_work=None)

Определяет, используют ли два массива одну и ту же память.

Предупреждение

Эта функция может быть экспоненциально медленной для некоторых входных данных, если max_work не установлено на конечное число или MAY_SHARE_BOUNDS. В случае сомнений используйте numpy.may_share_memory вместо неё.

Параметры:

a, bndarray

Входные массивы

max_workint, необязательно

Усилия, затрачиваемые на решение проблемы перекрытия (максимальное число кандидатов для рассмотрения). Признаются следующие специальные значения:

max_work=MAY_SHARE_EXACT (по умолчанию)

Задача решается точно. В этом случае функция возвращает True только если существует элемент, общий для массивов. Поиск точного решения может занять очень много времени в некоторых случаях.

max_work=MAY_SHARE_BOUNDS

Проверяются только границы памяти a и b.

Возвращает:

outbool

Возбуждает:

numpy.exceptions.TooHardError

Превышен max_work.

См. также

may_share_memory

Примеры

>>> x = np.array([1, 2, 3, 4])
>>> np.shares_memory(x, np.array([5, 6, 7]))
False
>>> np.shares_memory(x[::2], x)
True
>>> np.shares_memory(x[::2], x[1::2])
False

Проверка того, используют ли два массива одну память, является задачей NP-полной, и время выполнения может экспоненциально возрастать с увеличением числа измерений. Поэтому max_work обычно следует устанавливать на конечное число, поскольку можно построить примеры, которые будут работать очень долго:

>>> from numpy.lib.stride_tricks import as_strided
>>> x = np.zeros([192163377], dtype=np.int8)
>>> x1 = as_strided(
...     x, strides=(36674, 61119, 85569), shape=(1049, 1049, 1049))
>>> x2 = as_strided(
...     x[64023025:], strides=(12223, 12224, 1), shape=(1049, 1049, 1))
>>> np.shares_memory(x1, x2, max_work=1000)
Traceback (most recent call last):
...
numpy.exceptions.TooHardError: Exceeded max_work

Выполнение np.shares_memory(x1, x2) без установки max_work занимает около 1 минуты для этого случая. Возможно найти проблемы, которые займут значительно больше времени.