由于第二个链接中给出的原因，这很慢，并且解决方案实际上非常简单：
绕过（慢速）RawArray
切片分配代码，在这种情况下，该 代码
每次从源数组中低效地读取一个原始C值来创建一个Python对象，然后将其直接转换回原始C，以存储在共享数组中，然后丢弃临时Python对象，并重复
1e8次数。
但是您不需要那样做；与大多数C级事物一样，它
RawArray实现了缓冲区协议，这意味着您可以将其转换
memoryview为底层原始内存的视图，该视图以类似于C的方式实现大多数操作，并尽可能使用原始内存操作。因此，与其做：
# assign memory, very slow%time temp[:] = np.arange(1e8, dtype = np.uint16)Wall time: 9.75 s # Updated to what my machine took, for valid comparison
用于
memoryview将其作为类似于原始字节的对象进行操作并进行分配（
np.arange已经实现了缓冲区协议，并且
memoryview的slice分配运算符无缝使用它）：
# C-like memcpy effectively, very fast%time memoryview(temp)[:] = np.arange(1e8, dtype = np.uint16)Wall time: 74.4 ms # Takes 0.76% of original time!!!
注意，后者的时间是毫秒，而不是秒；使用
memoryview包装进行复制以执行原始内存传输只需不到1％的时间即可完成
RawArray，默认情况下采用折叠方式即可！
