我有一个长度为M的1d数据流，连接了N个通道，我想将其馈送到处理函数（即其总长度为M*N。该处理函数预期数据被分割到通道中，并且切片大小为K，其中K小于或等于M，即对应于形状为[N, K]的2D阵列。
我目前的方法是将我的输入数据从1d整形为2d数组列表（即实际上是3D阵列）的情况如下：

# Generation of test data with a shape of N*M as 1d-array
data_list:list[float] = []
for channel_no in range(N):
    data_list.extend(
        (np.arange(M) + 10 * M * channel_no).tolist()
    )

# Reshaping of 1d-array into 2d-arrays, effectively splitting 
# the data into N channels
in_data: np.ndarray = np.asarray(data_list).reshape(
    N, M
)

# Generating list of 2d-arrays with shape [N, K] and a length of M // K
target_data: np.ndarray = reshape_numpy_array_with_equal_blocks(
    in_array=in_data,
    target_shape=(N, K),
    drop_last=True,
    use_padding=True,
)

字符串
与相应的函数reshape_numpy_array_with_equal_blocks()：

def reshape_numpy_array_with_equal_blocks(
    in_array: np.ndarray,
    target_shape: Tuple[int, int],
    use_padding: bool = False,
    drop_last: bool = True,
    padding_val: float = 0.0,
) -> np.ndarray:
    """_summary_

    Args:
        in_array (np.ndarray): _description_
        target_shape (Tuple[int, int]): _description_
        use_padding (bool, optional): _description_. Defaults to False.
        drop_last (bool, optional): _description_. Defaults to True.
        padding_val (float, optional): _description_. Defaults to 0.0.

    Raises:
        NotImplementedError: _description_

    Returns:
        np.ndarray: _description_
    """
    in_array_shape = in_array.shape
    if len(in_array_shape) != 2:
        raise NotImplementedError()
    ret_array = []
    for i in range(0, in_array_shape[-1], target_shape[-1]):
        channel_array = []
        if i + target_shape[-1] <= in_array_shape[-1]:
            for channel in range(in_array_shape[0]):
                channel_array.append(
                    in_array[channel, i : i + target_shape[-1]].tolist()
                )
            ret_array.append(channel_array[:])
        else:
            if not drop_last and use_padding:
                for channel in range(in_array_shape[0]):
                    cur_data = in_array[channel, i:].tolist()
                    cur_data_len = len(cur_data)
                    cur_data.extend([padding_val] * (target_shape[-1] - cur_data_len))
                    channel_array.append(cur_data[:])
                ret_array.append(channel_array[:])
    return np.array(ret_array)

型
但是，我不确定这种方法是否是最有效的版本，因为它包含了相当多的内存重新分配和复制。更好的方法是什么？
我正在考虑使用一个生成器来访问原始数据列表的切片部分，这样就不需要额外的分配/副本，但我也不确定这是否是正确的方法。这是一个可行的解决方案吗？或者有更好的方法吗？或者这个问题可以完全解决吗？