python - 视图和 numpy 数组的浅拷贝有什么区别？

Question

在 NumPy 中，我知道对数组进行切片会给你一个“视图”，在我看来这与浅拷贝完全相同。它们有何不同？

标签： pythonnumpycopy

Answer 1

与包含对第一级元素对象的引用的 Python 列表对象（反过来可能引用更深层次的对象）不同，NumPy 数组仅引用单个数据缓冲区，该缓冲区存储数组所有维度的所有元素值，并且在此数据缓冲区之外没有元素对象的层次结构。

列表的浅表副本将包含第一级元素引用的副本，并与原始列表共享引用的元素对象。NumPy 数组的浅拷贝应该包含什么不太明显。它应该 ( A ) 与原始数据缓冲区共享数据缓冲区，还是 ( B ) 拥有自己的副本（这实际上使其成为深层副本）？

NumPy 数组的视图是A意义上的浅拷贝，即它引用与原始数据相同的数据缓冲区，因此对原始数据的更改会影响视图数据，反之亦然。

库函数copy.copy()应该创建其参数的浅表副本，但是当应用于 NumPy 数组时，它会创建意义上 B 的浅表副本，即新数组获取自己的数据缓冲区副本，因此更改到一个阵列不影响另一个。

下面是一些代码，显示了复制/查看 NumPy 数组的不同方法：

import numpy as np
import copy

x = np.array([10, 11, 12, 13])

# Create views of x (shallow copies sharing data) in 2 different ways
x_view1 = x.view()
x_view2 = x[:]          # Creates a view using a slice

# Create full copies of x (not sharing data) in 2 different ways
x_copy1 = x.copy()
x_copy2 = copy.copy(x)  # Calls x.__copy__() which creates a full copy of x

# Change some array elements to see what happens
x[0]       = 555        # Affects x, x_view1, and x_view2
x_view1[1] = 666        # Affects x, x_view1, and x_view2
x_view2[2] = 777        # Affects x, x_view1, and x_view2
x_copy1[0] = 888        # Affects only x_copy1
x_copy2[0] = 999        # Affects only x_copy2

print(x)                # [555 666 777  13]
print(x_view1)          # [555 666 777  13]
print(x_view2)          # [555 666 777  13]
print(x_copy1)          # [888  11  12  13]
print(x_copy2)          # [999  11  12  13]

上面的示例创建了整个原始数组索引范围的视图，并具有与原始相同的数组属性，这不是很有趣（可以用简单的别名替换，例如 x_alias = x）。视图的强大之处在于它们可以是原始选定部分的视图，并且具有不同的属性。这在接下来的几行代码中得到了证明，这些代码扩展了上面的例子：

x_view3 = x[::2].reshape(2,1) # Creates a reshaped view of every 2nd element of x
print(x_view3)          # [[555]
                        #  [777]]
x_view3[1] = 333        # Affects 2nd element of x_view3 and 3rd element of x
print(x)                # [555 666 333  13]
print(x_view3)          # [[555]
                        #  [333]]