副本和视图#

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。这可以确保良好的性能，但也可能导致意外问题，如果用户没有意识到其工作原理。因此，了解这两个术语之间的区别以及哪些操作返回副本和哪些操作返回视图非常重要。

NumPy 数组是一种数据结构，由两部分组成：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、步幅和其他有助于轻松操作 ndarray 的重要信息。有关详细信息，请参阅 NumPy 数组的内部组织 部分。

视图#

可以通过更改某些元数据（如 步幅 和 数据类型）来以不同的方式访问数组，而无需更改数据缓冲区。这会创建一种查看数据的新方法，这些新数组称为视图。数据缓冲区保持不变，因此对视图进行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。

副本#

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。对副本进行的更改不会反映在原始数组上。创建副本速度较慢且占用更多内存，但有时是必要的。可以使用 ndarray.copy 强制创建副本。

索引操作#

另请参阅

对 ndarrays 的索引

当可以使用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，当更改 x 时 y 会发生更改，因为它是一个视图。

高级索引 另一方面，始终创建副本。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

Here, ``y`` is a copy, as signified by the :attr:`base <.ndarray.base>`
attribute. We can also confirm this by assigning new values to ``x[[1, 2]]``
which in turn will not affect ``y`` at all::

>>> 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]])

需要注意的是，在为 x[[1, 2]] 分配时，不会创建视图或副本，因为分配是就地发生的。

其他操作#

numpy.reshape 函数在可能的情况下创建视图，否则创建副本。在大多数情况下，可以修改步幅来通过视图重新排列数组。但是，在某些情况下（例如在 ndarray.transpose 操作之后），数组变得不连续，无法通过修改步幅来重新排列数组，需要复制。在这些情况下，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 ravel 为例，它在可能的情况下返回数组的连续扁平视图。另一方面，ndarray.flatten 始终返回数组的扁平副本。但是，为了在大多数情况下保证视图，最好使用 x.reshape(-1)。

如何判断数组是视图还是副本#

ndarray 的 base 属性使我们能够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，不要使用 base 属性来确定 ndarray 对象是否新的；只用于判断它是否是另一个 ndarray 的视图或副本。

本页内容