Numpy的通用函数（ufunc）支持向量化操作，而广义通用函数（gufunc）进一步扩展了对多维数组的处理能力，允许开发者定义针对核心维度执行的操作。在处理多维数组时，正确的指针遍历和核心维度处理是保证gufunc正确运行的关键。
gufunc核心维度基础概念
gufunc的核心维度是指函数内部循环处理的维度，区别于输入数组的广播维度。比如一个处理二维矩阵乘法的gufunc，核心维度可能是输入矩阵的最后两个维度，而前面的维度属于广播维度，会被自动对齐和广播。
定义gufunc时需要通过signature参数指定核心维度的结构，格式为(dim1,dim2,...)->(out_dim1,out_dim2,...)，其中括号内的维度就是核心维度。例如(n,m),(m,p)->(n,p)表示两个输入的核心维度分别是(n,m)和(m,p)，输出的核心维度是(n,p)。
多维数组的内存布局与指针遍历
Numpy多维数组在内存中默认按行优先（C顺序）存储，遍历指针时需要结合数组的步长（stride）信息，避免直接按连续内存假设访问导致错误。正确的指针遍历需要遵循以下步骤：
- 首先获取输入数组的维度信息、步长信息和数据指针
- 针对广播维度进行外层循环，每次外层循环调整对应维度的指针偏移
- 针对核心维度进行内层循环，按照核心维度的步长逐元素访问
指针遍历示例代码
以下是一个简单的gufunc示例，实现两个二维数组的核心维度矩阵加法，演示正确的指针遍历逻辑：
import numpy as np
from numpy.core._multiarray_umath import __ua_functions__
# 定义gufunc的签名，两个输入核心维度都是(2,2)，输出核心维度也是(2,2)
add_mat_signature = "(2,2),(2,2)->(2,2)"
def add_mat_impl(x1, x2, out):
# 获取x1的步长，假设x1是二维核心维度，步长分别为行步长和列步长
x1_stride0 = x1.strides[0] // x1.itemsize
x1_stride1 = x1.strides[1] // x1.itemsize
# 获取x2的步长
x2_stride0 = x2.strides[0] // x2.itemsize
x2_stride1 = x2.strides[1] // x2.itemsize
# 获取out的步长
out_stride0 = out.strides[0] // out.itemsize
out_stride1 = out.strides[1] // out.itemsize
# 获取数据指针
x1_ptr = x1.ctypes.data
x2_ptr = x2.ctypes.data
out_ptr = out.ctypes.data
# 核心维度内层循环，遍历2x2的矩阵
for i in range(2):
for j in range(2):
# 计算当前元素的偏移量
x1_offset = i * x1_stride0 + j * x1_stride1
x2_offset = i * x2_stride0 + j * x2_stride1
out_offset = i * out_stride0 + j * out_stride1
# 访问对应元素并求和
x1_val = np.frombuffer(np.array([x1_ptr + x1_offset * x1.itemsize], dtype=np.uintp), dtype=x1.dtype)[0] if x1.itemsize == 8 else 0
x2_val = np.frombuffer(np.array([x2_ptr + x2_offset * x2.itemsize], dtype=np.uintp), dtype=x2.dtype)[0] if x2.itemsize == 8 else 0
out_val = x1_val + x2_val
# 写入输出
buf = np.array([out_ptr + out_offset * out.itemsize], dtype=np.uintp)
np.frombuffer(buf, dtype=np.uintp)[0] = out_val.view(np.uintp) if out.itemsize == 8 else 0
# 注册为gufunc
add_mat = np.frompyfunc(add_mat_impl, 2, 1, identity=0)
# 测试
a = np.array([[[1,2],[3,4]], [[5,6],[7,8]]])
b = np.array([[[1,1],[1,1]], [[2,2],[2,2]]])
print(add_mat(a, b))
核心维度的处理规则
核心维度校验
gufunc在调用时会自动校验输入数组的核心维度是否符合signature定义，若不匹配会直接抛出错误。比如签名要求核心维度是(2,2)，输入数组的核心维度是(3,3)就会校验失败。
核心维度对齐
如果输入数组的核心维度长度不一致但符合广播规则，gufunc会自动对齐核心维度。例如签名是(n),(n)->()，输入的两个一维数组长度分别为3和1，会自动将长度为1的数组广播到长度3。
核心维度与广播维度的区分
广播维度位于核心维度的前面，gufunc会先处理广播维度的对齐和广播，再进入核心维度的循环。例如输入数组形状为(3,2,2)，签名是(2,2)->(2,2)，那么前面的3就是广播维度，会对3个2x2矩阵分别执行核心维度的操作。
常见错误与规避方法
- 错误1：假设多维数组内存连续，直接按连续指针遍历。规避方法：始终使用步长计算指针偏移，不要假设内存布局。
- 错误2：核心维度定义与输入数组维度不匹配。规避方法：定义
signature时明确核心维度的位置，通常是输入数组的最后几个维度。 - 错误3：混淆广播维度和核心维度，导致循环逻辑错误。规避方法：先拆分广播维度和核心维度，外层循环处理广播维度，内层循环处理核心维度。
正确实现gufunc的多维数组指针遍历和核心维度处理，需要充分理解Numpy数组的内存布局和gufunc的执行逻辑，结合步长信息编写遍历代码，同时严格遵循核心维度的定义和校验规则。