复制和视图#

在操作 NumPy 数组时，可以使用视图直接访问内部数据缓冲区，而无需复制数据。这确保了良好的性能，但如果用户不了解其工作原理，也可能导致一些不必要的问题。因此，了解这两个术语的区别以及哪些操作返回副本，哪些操作返回视图非常重要。

NumPy 数组是一种由两部分组成的数据结构：包含实际数据元素的连续数据缓冲区，以及包含有关数据缓冲区信息的元数据。元数据包括数据类型、步幅和其他重要信息，这些信息有助于轻松操作 ndarray。有关详细信息，请参阅 NumPy 数组的内部组织部分。

视图#

可以通过仅更改步幅和数据类型等元数据来以不同方式访问数组，而无需更改数据缓冲区。这创建了一种查看数据的新方式，这些新数组称为视图。数据缓冲区保持不变，因此对视图所做的任何更改都会反映在原始副本中。可以通过 ndarray.view 方法强制创建视图。

复制#

当通过复制数据缓冲区和元数据来创建新数组时，它被称为副本。对副本所做的更改不会反映在原始数组上。创建副本速度较慢且占用内存，但有时是必需的。可以通过使用 ndarray.copy 来强制创建副本。

索引操作#

另请参阅

ndarray 的索引

当可以通过原始数组中的偏移量和步幅来寻址元素时，会创建视图。因此，基本索引始终会创建视图。例如：

>>> import numpy as np
>>> x = np.arange(10)
>>> x
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> y = x[1:3]  # creates a view
>>> y
array([1, 2])
>>> x[1:3] = [10, 11]
>>> x
array([ 0, 10, 11,  3,  4,  5,  6,  7,  8,  9])
>>> y
array([10, 11])

在这里，当 x 被更改时，y 也会被更改，因为它是视图。

另一方面，高级索引始终会创建副本。例如：

>>> import numpy as np
>>> x = np.arange(9).reshape(3, 3)
>>> x
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])
>>> y = x[[1, 2]]
>>> y
array([[3, 4, 5],
       [6, 7, 8]])
>>> y.base is None
True

在这里，y 是一个副本，如 base 属性所示。我们也可以通过为 x[[1, 2]] 分配新值来确认这一点，而这不会影响 y。

>>> x[[1, 2]] = [[10, 11, 12], [13, 14, 15]]
>>> x
array([[ 0,  1,  2],
       [10, 11, 12],
       [13, 14, 15]])
>>> y
array([[3, 4, 5],
       [6, 7, 8]])

此处应注意，在为 x[[1, 2]] 分配值期间，不会创建视图或副本，因为赋值是就地进行的。

其他操作#

函数 numpy.reshape 在可能的情况下创建视图，否则创建副本。在大多数情况下，可以通过修改步幅来重塑数组（创建视图）。然而，在某些情况下，当数组变得非连续时（例如在 ndarray.transpose 操作之后），无法通过修改步幅来进行重塑，这需要一个副本。在这些情况下，我们可以通过将新形状分配给数组的形状属性来引发错误。例如：

>>> import numpy as np
>>> x = np.ones((2, 3))
>>> y = x.T  # makes the array non-contiguous
>>> y
array([[1., 1.],
       [1., 1.],
       [1., 1.]])
>>> z = y.view()
>>> z.shape = 6
Traceback (most recent call last):
   ...
AttributeError: Incompatible shape for in-place modification. Use
`.reshape()` to make a copy with the desired shape.

以另一个操作为例，numpy.ravel 在可能的情况下返回数组的连续展平视图。另一方面，ndarray.flatten 始终返回数组的展平副本。但是，为了在大多数情况下保证视图，x.reshape(-1) 可能是更好的选择。

如何判断数组是视图还是副本#

ndarray 的 base 属性可以轻松判断数组是视图还是副本。视图的 base 属性返回原始数组，而副本的 base 属性返回 None。

>>> import numpy as np
>>> x = np.arange(9)
>>> x
array([0, 1, 2, 3, 4, 5, 6, 7, 8])
>>> y = x.reshape(3, 3)
>>> y
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])
>>> y.base  # .reshape() creates a view
array([0, 1, 2, 3, 4, 5, 6, 7, 8])
>>> z = y[[2, 1]]
>>> z
array([[6, 7, 8],
       [3, 4, 5]])
>>> z.base is None  # advanced indexing creates a copy
True

请注意，不应使用 base 属性来判断 ndarray 对象是否是 *新的*；只能判断它是否是另一个 ndarray 的视图或副本。