我想知道是否可以在不使用for循环的情况下编写迭代算法，使用as_strided和一些编辑内存的操作。
例如，如果我想编写一个算法，将数组中的数字替换为其邻居的和。我想出了这个令人讨厌的东西(是的，它将一个元素与两个正确的邻居相加，但它只是为了得到一个想法(：
import numpy as np
a = np.arange(10)
ops = 2
a_view_window = np.lib.stride_tricks.as_strided(a, shape = (ops,a.size - 2, 3), strides=(0,) + 2*a.strides)
a_view = np.lib.stride_tricks.as_strided(a, shape = (ops,a.size - 2), strides=(0,) + a.strides)
np.add.reduce(a_view_window, axis = -1, out=a_view)
print(a)
所以我取了一个由10个数字组成的数组，创建了这个奇怪的视图，它在不改变步幅的情况下增加了维度。因此，我的想法是，它将在伪新维度上运行，并重写以前的值，因此，当它到达下一个主要维度时，它将不得不从它重写的数据中读取，从而迭代地执行添加。
遗憾的是，这不起作用：(
(是的，我知道这是一种糟糕的做事方式，但我很好奇底层的numpy东西是如何工作的，以及它是否可以用这种方式被黑客入侵(
此代码导致Numpy 1.13之前的未定义行为，并且在较新版本中工作不合适以避免重叠/别名问题。实际上，您不能假设Numpy在输入/输出数组视图上按给定顺序迭代。事实上，Numpy经常使用SIMD指令来加速代码，有时还会告诉编译器视图之间没有重叠/混叠(使用restrict关键字(，这样它们可以生成更高效的代码。有关更多信息，您可以阅读ufuncs上的文档(以及本期(：
由于数据依赖性问题，ufunc输入和输出操作数内存重叠的操作在以前的NumPy版本中产生了未定义的结果。在NumPy 1.13.0中，这种操作的结果现在被定义为与没有内存重叠的等效操作相同
受影响的操作现在根据需要制作临时副本，以消除数据依赖关系。由于检测这些情况在计算上是昂贵的，因此使用了启发式方法，这在极少数情况下可能导致不必要的临时复制。对于数据相关性足够简单以便启发式分析的操作，即使阵列重叠，也不会进行临时复制，如果可以推断出不需要复制的话。