NumPy 作为 Python 科学计算的基础库，其核心是 ndarray 对象。数组在内存中的存储顺序是其最重要的底层特性之一，NumPy 原生支持两种存储顺序：C 风格（行优先） 和 Fortran 风格（列优先）。这个设计并非偶然，而是源于科学计算的历史与性能需求。下面将从来源、内存布局、在 NumPy 中的表现形式、对性能的影响以及实际应用等方面详细讲解。
1. 来源：C 与 Fortran 的历史背景
在数值计算领域，C 语言和 Fortran 语言长期占据统治地位，它们对多维数组采用了截然不同的内存排列约定：
-
C 语言（行优先，Row-major）
在 C 中，二维数组定义为
a[rows][cols]，内存中最后一维（列）变化最快。即先存储第一行的所有列元素，然后第二行，依此类推。例如，矩阵
[[1,2],[3,4]]在内存中的线性顺序是1,2,3,4。C 的数组本质上是"数组的数组"，这种布局天然与下标运算一致。
-
Fortran 语言（列优先，Column-major）
在 Fortran 中，二维数组定义为
a(rows,cols)，内存中第一维（行）变化最快。先存储第一列的所有行元素，再存储第二列......同样的矩阵内存排列为
1,3,2,4。这种习惯源于早期 Fortran 设计，并且很多线性代数库（如经典 BLAS/LAPACK，虽然后来也有 C 接口）内部遵循列优先存储，因为矩阵列向量在内存中连续更有利于向量化操作。
NumPy 支持这两种存储顺序，一方面是为了兼容不同语言生态的库 （如与 C 扩展或 Fortran 库无缝交换数据），另一方面是为了让用户针对算法特点优化内存访问模式，充分利用 CPU 缓存。
2. 内存布局特点
2.1 行优先（C order）与列优先（Fortran order）
存储顺序影响多维数组的线性展开方式：
- C 顺序（
order='C'）：最右边的轴变化最快，从轴 (axis=0) 到轴 (axis=N-1) 遍历时，最后一个轴的索引先递增。对二维来说就是先行后列。 - Fortran 顺序（
order='F'）：最左边的轴变化最快，第一个轴的索引先递增。对二维来说就是先列后行。
NumPy 用 strides（步幅）元组描述这一特性：从当前元素移动到下一元素需要在内存中跳过的字节数。
python
import numpy as np
a = np.array([[1,2],[3,4]], order='C')
b = np.array([[1,2],[3,4]], order='F')
print(a.strides) # 假设 int64，输出 (16, 8) -> 行步幅16字节，列步幅8字节
print(b.strides) # 输出 (8, 16) -> 行步幅8字节，列步幅16字节C 顺序下，列索引变化最快，因此列方向步幅最小；Fortran 顺序下行索引变化最快，行方向步幅最小。
2.2 连续性的概念
- C 连续（C_CONTIGUOUS） ：数组在内存中按 C 顺序平坦存储，且
strides符合 C 布局规律。.flags['C_CONTIGUOUS']为 True。 - Fortran 连续（F_CONTIGUOUS） ：按 Fortran 顺序平坦存储，
.flags['F_CONTIGUOUS']为 True。
一个数组可以同时是 C 连续和 F 连续的（例如一维数组，或者单行/单列的二维数组）。视图、切片等操作可能破坏连续性。
3. 在 NumPy 中的使用方式
3.1 创建时指定顺序
绝大多数数组创建函数都接受 order 参数：
python
np.array([[1,2],[3,4]], order='C') # 默认 'C'
np.zeros((3,4), order='F')
np.ones((2,3,4), order='C')
np.empty((5,5), order='F')order 的可取值：'C'、'F'、'A' 等。'A' 表示若输入是 Fortran 连续则保持 Fortran，否则用 C（不常用作显式创建，多在方法中出现）。
3.2 查看存储顺序
除了检查 strides，还可以用：
python
arr.flags['C_CONTIGUOUS']
arr.flags['F_CONTIGUOUS']一个直接的规律：arr.flags.c_contiguous 等属性亦可用。
3.3 转换存储顺序
-
生成新连续数组（复制数据）
np.ascontiguousarray(arr)→ 保证 C 连续np.asfortranarray(arr)→ 保证 Fortran 连续arr.copy(order='F')→ 复制并转为指定顺序这些操作都会重新排列内存中的数据。
-
转置与顺序变化
arr.T返回视图，并不移动数据，只是交换strides。若原数组 C 连续，则转置后变为 Fortran 连续（内存仍按原先的行优先排列，但逻辑上按列优先遍历）。这不会复制数据，但会导致内存访问模式改变。 -
reshape 与 order
arr.reshape(new_shape, order='C')会尽可能返回视图，若要求的内存布局与原数组连续顺序冲突，则会复制。指定order='F'会像 Fortran 那样读取元素并用 Fortran 布局构造新数组。 -
展平操作
arr.flatten(order='C')总是返回复制。arr.ravel(order='C')返回视图（若可能），否则复制。
order控制展平时遍历元素的顺序：'C'按行优先读取，'F'按列优先，'A'根据原数组在内存中的实际顺序展平（如果 Fortran 连续则按列优先，否则按行优先），'K'按元素在内存中出现的顺序展平（与 strides 的物理顺序一致）。
4. 对性能的影响
4.1 缓存局部性
现代 CPU 依赖多级缓存，按内存连续方向遍历数组可大幅提升缓存命中率。对于大型数组的逐元素运算：
- C 连续数组，沿最后一个轴（列）循环的代码最快，因为在内存中地址连续递增。
- F 连续数组，沿第一个轴（行）循环的代码最快。
因此，若算法主要对列向量操作（例如线性代数中的逐列处理），F 顺序有优势；若对行操作多，C 顺序更佳。
4.2 与外部库的交互
-
Python C 扩展 通常期望 C 连续数组，使用
PyArray_ContiguousFromObject等。 -
经典 Fortran 库（LAPACK、BLAS） 大多要求 Fortran 连续数组。NumPy 的
np.dot、np.linalg等底层调用这些库，若输入数组不是期望的顺序，内部会进行复制转换，可能带来额外开销。知道数据的布局可以帮助我们预先转换以消除隐藏开销。 -
文件 I/O 与跨语言交互 ：用
np.fromfile或ndarray.tofile时，存储顺序影响二进制排列。与其他语言（如 C、Fortran、Matlab）交换数据时必须对齐内存布局。
4.3 切片导致的非连续
切片不复制数据，但可能产生非连续数组（例如 arr[:, 1:3] 对 C 连续数组通常仍保持 C 连续，但 arr[::2, :] 就不连续）。对于非连续数组，矢量化运算会以更复杂的步幅访问内存，速度可能下降。可以用 np.ascontiguousarray() 强制转换为连续数组改善性能（但需付出复制代价）。
5. 高级 order 选项：'A' 和 'K'
这些选项出现在 reshape、ravel 等操作中，用于控制如何遍历元素：
'A'（Any/Preserve）：保留原始数组的内存布局。如果原数组是 Fortran 连续，则按照 Fortran 顺序重塑/展平；否则默认按 C 顺序。这在不知道原始布局时很有用。'K'（Keep order） ：按照元素在内存中出现的物理顺序（由strides决定，不一定整齐的行列顺序）。对于具有复杂步幅的非连续数组，'K'能原样展平内存视图。
例：
python
a = np.array([[1,2],[3,4]], order='F')
a.ravel(order='A') # 返回 array([1,3,2,4])，因为原数组F连续
a.ravel(order='K') # 返回 array([1,3,2,4])，内存中实际存储顺序
a.ravel(order='C') # 返回 array([1,2,3,4])，始终按C顺序读取6. 总结与最佳实践
- 默认是 C 顺序，这符合大多数 Python 和 C 扩展的预期。
- 了解数据访问模式：如果你的代码主要按列循环，并且数组很大，可以主动使用 Fortran 顺序以改善缓存效率。
- 与 Fortran 库交互（如 SciPy 中部分求解器、经典的 LAPACK 包装）时，最好显式传递 Fortran 连续数组，避免内部隐式复制。
- 谨慎切片 ：大量使用步长不为 1 的切片可能导致非连续数组，必要时显式调用
np.ascontiguousarray换取缓存友好性。 - 转置不会改变数据布局 ：
arr.T与arr共享内存，只是交换了行列步幅，逻辑上变成列优先，但物理内存仍是原先的顺序。如果后续需要真正的 Fortran 连续副本，用arr.T.copy(order='F')或直接np.asfortranarray(arr.T)。 - 多维数组的创建与重塑 应明确
order，尤其是在管道中数据来自不同来源时，统一布局可以减少错误与开销。
NumPy 的 C/Fortran 顺序设计是其能成为跨语言科学计算桥梁的关键，理解内存布局不仅能写出更高效的代码，也是进行高性能数值计算的基础。
更多机器学习、Python编程语言的免费视频课程，参阅：https://space.bilibili.com/157232748