参考链接： Python中的numpy.ascontiguousarray
1. 概述 在使用Numpy的时候，有时候会遇到下面的错误：
AttributeError: incompatible shape for a non-contiguous array
看报错的字面意思，好像是不连续数组的shape不兼容。 有的时候，在看别人代码时会看到ascontiguous()这样的一个函数，查文档会发现函数说明只有一句话："Return a contiguous array (ndim >= 1) in memory (C order)." 光靠这些信息，似乎没能道出Numpy里面contiguous array 和non-contiguous array 有什么区别，以及为什么需要进行ascontiguous操作？带着这些疑问，我搜了下资料，在stack overflow上发现一个比较详细的回答，简单明白地将Numpy里面的数组的连续性问题解释清楚了，因此这里翻译过来，希望能帮助到别的有同样疑问的小伙伴。
2. 额外知识： C order vs Fortran order 所谓C order，指的是行优先的顺序（Row-major Order)，即内存中同行的元素存在一起，而Fortran Order则指的是列优先的顺序（Column-major Order)，即内存中同列的元素存在一起。Pascal, C，C++，Python都是行优先存储的，而Fortran，MatLab是列优先存储的。3. 译文 所谓contiguous array，指的是数组在内存中存放的地址也是连续的（注意内存地址实际是一维的），即访问数组中的下一个元素，直接移动到内存中的下一个地址就可以。 考虑一个2维数组arr = np.arange(12).reshape(3,4)。这个数组看起来结构是这样的：
在计算机的内存里，数组arr实际存储是像下图所示的：
这意味着arr是C连续的（C contiguous)的，因为在内存是行优先的，即某个元素在内存中的下一个位置存储的是它同行的下一个值。 如果想要向下移动一列，则只需要跳过3个块既可（例如，从0到4只需要跳过1,2和3）。 上述数组的转置arr.T则没有了C连续特性，因为同一行中的相邻元素现在并不是在内存中相邻存储的了:
这时候arr.T变成了Fortran 连续的（Fortran contiguous），因为相邻列中的元素在内存中相邻存储的了。 从性能上来说，获取内存中相邻的地址比不相邻的地址速度要快很多（从RAM读取一个数值的时候可以连着一起读一块地址中的数值，并且可以保存在Cache中），这意味着对连续数组的操作会快很多。 由于arr是C连续的，因此对其进行行操作比进行列操作速度要快，例如，通常来说
np.sum(arr, axis=1) # 按行求和
会比
np.sum(arr, axis=0) # 按列求和
稍微快些。 同理，在arr.T上，列操作比行操作会快些。
4. 补充 Numpy中，随机初始化的数组默认都是C连续的，经过不规则的slice操作，则会改变连续性，可能会变成既不是C连续，也不是Fortran连续的。 Numpy可以通过.flags熟悉查看一个数组是C连续还是Fortran连续的
>>> import numpy as np
>>> arr = np.arange(12).reshape(3, 4)
>>> arr.flags
C_CONTIGUOUS : True
F_CONTIGUOUS : False
OWNDATA : False
WRITEABLE : True
ALIGNED : True
WRITEBACKIFCOPY : False
UPDATEIFCOPY : False
从输出可以看到数组arr是C连续的。 对arr进行按列的slice操作，不改变每行的值，则还是C连续的：
>>> arr
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> arr1 = arr[:3, :]
>>> arr1
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> arr1.flags
C_CONTIGUOUS : True
F_CONTIGUOUS : False
OWNDATA : False
WRITEABLE : True
ALIGNED : True
WRITEBACKIFCOPY : False
UPDATEIFCOPY : False
如果进行在行上的slice，则会改变连续性，成为既不C连续，也不Fortran连续的：
>>> arr1 = arr[:, 1:3]
>>> arr1.flags
C_CONTIGUOUS : False
F_CONTIGUOUS : False
OWNDATA : False
WRITEABLE : True
ALIGNED : True
WRITEBACKIFCOPY : False
UPDATEIFCOPY : False
此时利用ascontiguousarray函数，可以将其变为连续的：
>>> arr2 = np.ascontiguousarray(arr1)
>>> arr2.flags
C_CONTIGUOUS : True
F_CONTIGUOUS : False
OWNDATA : True
WRITEABLE : True
ALIGNED : True
WRITEBACKIFCOPY : False
UPDATEIFCOPY : False
可以这样认为，ascontiguousarray函数将一个内存不连续存储的数组转换为内存连续存储的数组，使得运行速度更快。
