使用 NumPy memmap 时，result[:] = a[:] - b[:] 会意外创建全量临时数组导致 OOM；应改用 np.subtract(a, b, out=result) 等支持 out 参数的 ufunc，实现零拷贝原地计算。
使用 numpy memmap 时，`result[:] = a[:] - b[:]` 会意外创建全量临时数组导致 oom；应改用 `np.subtract(a, b, out=result)` 等支持 `out` 参数的 ufunc，实现零拷贝原地计算。
NumPy 的 memmap 对象虽映射磁盘文件到内存地址空间，但并不自动规避中间数组的内存分配。关键误区在于：a[:] - b[:] 是一个普通 NumPy 表达式，它会触发完整的广播与计算流程——即先在 RAM 中构造一个完整的结果数组（本例中为 2 GiB × 8 字节 = 16 GiB），再整体赋值给 result。即使 result 是 memmap，赋值操作本身仍需该临时缓冲区，从而瞬间耗尽系统内存。
✅ 正确做法是绕过隐式临时数组，直接将结果写入目标 memmap 缓冲区。NumPy 的通用函数（ufunc）如 np.add、np.subtract、np.multiply 等均支持 out 参数，可指定输出位置：
import numpy as np
# 初始化 memmap（示例为 2GB int64 数组，实际大小依需求调整）
a = np.memmap('a.mem', mode='r', dtype=np.int64, shape=(2*1024*1024*1024))
b = np.memmap('b.mem', mode='r', dtype=np.int64, shape=(2*1024*1024*1024))
result = np.memmap('result.mem', mode='w+', dtype=np.int64, shape=(2*1024*1024*1024))
# ✅ 零临时内存：结果直接写入 result 的 mmap 区域
np.subtract(a, b, out=result)
result.flush() # 强制写回磁盘
⚠️ 注意事项：
- out 参数要求目标数组（result）的 dtype 和 shape 必须与运算结果完全兼容；
- mode='r' 用于只读输入 memmap 可减少页错误开销，提升稳定性；
- 若需链式运算（如 result = a - b + c），应拆分为多步并复用 out，例如：
temp = np.memmap('temp.mem', mode='w+', dtype=np.int64, shape=result.shape) np.subtract(a, b, out=temp) np.add(temp, c, out=result) # 避免 (a-b)+c 生成两个临时数组 - 在内存极度受限环境（如 Colab 免费版），仍建议辅以分块处理（chunking）增强鲁棒性，但此时每块运算也必须使用 out=：
chunk_size = 64 * 1024 * 1024 # 每次处理 512MB 数据（约 64M 个 int64）
for i in range(0, result.size, chunk_size):
end = min(i + chunk_size, result.size)
np.subtract(a[i:end], b[i:end], out=result[i:end])
result.flush() # 及时落盘，释放页面缓存压力
总结：memmap 的价值在于按需加载与持久化存储，而非自动内存优化。真正实现低内存向量运算，核心在于主动控制数据流向——优先选用支持 out 的 ufunc，杜绝隐式中间数组；必要时结合显式分块，兼顾性能与稳定性。
