NumPy 副本和视图

NumPy 副本和视图

当内容物理存储在另一个位置时，称为副本。 另一方面，如果提供了相同内存内容的不同视图，我们将其称为视图。

副本是一个数据的完整的拷贝，如果我们对副本进行修改，它不会影响到原始数据，物理内存不在同一位置。

视图是数据的一个别称或引用，通过该别称或引用亦便可访问、操作原有数据，但原有数据不会产生拷贝。如果我们对视图进行修改，它会影响到原始数据，物理内存在同一位置。

视图一般发生在：

• numpy 的切片操作返回原数据的视图。
• 调用 ndarray 的 view() 函数产生一个视图。

副本一般发生在：

• Python 序列的切片操作，调用deepCopy()函数。
• 调用 ndarray 的 copy() 函数产生一个副本。

无复制

简单的赋值不会创建数组对象的副本。 相反，它使用原始数组的相同id()来访问它。 id()返回 Python 对象的通用标识符，类似于 C 中的指针。

此外，一个数组的任何变化都反映在另一个数组上。 例如，一个数组的形状改变也会改变另一个数组的形状。

import numpy as np

a = np.arange(6)
print('我们的数组是：')
print(a)
print('调用 id() 函数：')
print(id(a))
print('a 赋值给 b：')
b = a
print(b)
print('b 拥有相同 id()：')
print(id(b))
print('修改 b 的形状：')
b.shape = 3, 2
print(b)
print('a 的形状也修改了：')
print(a)
# 我们的数组是：
# [0 1 2 3 4 5]
# 调用 id() 函数：
# 2178577595168
# a 赋值给 b：
# [0 1 2 3 4 5]
# b 拥有相同 id()：
# 2178577595168
# 修改 b 的形状：
# [[0 1]
#  [2 3]
#  [4 5]]
# a 的形状也修改了：
# [[0 1]
#  [2 3]
#  [4 5]]

视图或浅复制

NumPy 拥有ndarray.view()方法，它是一个新的数组对象，可查看原始数组的相同数据。 与前一种情况不同，新数组的维数更改不会更改原始数据的维数。

import numpy as np

# 最开始 a 是个 3X2 的数组
a = np.arange(6).reshape(3, 2)
print('数组 a：')
print(a)
print('创建 a 的视图：')
b = a.view()
print(b)
print('两个数组的 id() 不同：')
print('a 的 id()：')
print(id(a))
print('b 的 id()：')
print(id(b))
# 修改 b 的形状，并不会修改 a
b.shape = 2, 3
print('b 的形状：')
print(b)
print('a 的形状：')
print(a)
# 数组 a：
# [[0 1]
#  [2 3]
#  [4 5]]
# 创建 a 的视图：
# [[0 1]
#  [2 3]
#  [4 5]]
# 两个数组的 id() 不同：
# a 的 id()：
# 2312581086064
# b 的 id()：
# 2312581210160
# b 的形状：
# [[0 1 2]
#  [3 4 5]]
# a 的形状：
# [[0 1]
#  [2 3]
#  [4 5]]

使用切片创建视图修改数据会影响到原始数组：

import numpy as np

arr = np.arange(12)
print('我们的数组：')
print(arr)
print('创建切片：')
a = arr[3:]
b = arr[3:]
a[1] = 123
b[2] = 234
print(arr)
print(id(a), id(b), id(arr[3:]))
# 我们的数组：
# [ 0  1  2  3  4  5  6  7  8  9 10 11]
# 创建切片：
# [  0   1   2   3 123 234   6   7   8   9  10  11]
# 1766547324800 1766547447856 1766547447936

变量 a,b 都是 arr 的一部分视图，对视图的修改会直接反映到原数据中。但是我们观察 a,b 的 id，他们是不同的，也就是说，视图虽然指向原数据，但是他们和赋值引用还是有区别的。

深复制

ndarray.copy()函数创建一个深层副本。 它是数组及其数据的完整副本，不与原始数组共享。对副本数据进行修改，不会影响到原始数据，它们物理内存不在同一位置。

import numpy as np

a = np.array([[10, 10], [2, 3], [4, 5]])
print('数组 a：')
print(a)
print('创建 a 的深层副本：')
b = a.copy()
print('数组 b：')
print(b)
# b 与 a 不共享任何内容
print('我们能够写入 b 来写入 a 吗？')
print(b is a)
print('修改 b 的内容：')
b[0, 0] = 100
print('修改后的数组 b：')
print(b)
print('a 保持不变：')
print(a)
# 数组 a：
# [[10 10]
#  [ 2  3]
#  [ 4  5]]
# 创建 a 的深层副本：
# 数组 b：
# [[10 10]
#  [ 2  3]
#  [ 4  5]]
# 我们能够写入 b 来写入 a 吗？
# False
# 修改 b 的内容：
# 修改后的数组 b：
# [[100  10]
#  [  2   3]
#  [  4   5]]
# a 保持不变：
# [[10 10]
#  [ 2  3]
#  [ 4  5]]

python中列表list的拷贝

Python 变量名相当于标签名。

list2=list1 直接赋值，实质上指向的是同一个内存值。任意一个变量 list1（或list2）发生改变，都会影响另一个 list2(或list1)。

而 list3 和 list4 是通过切片对 list1 的复制操作，分别指向了新的值。任意改变 list3 或 list4 的值，不会影响其他。

数组切片是原始数组的视图，这意味着数据不会被复制，视图上的任何修改都会被直接反映到源数组上。

array1, array2, array3, array4 实际指向同一个内存值，任意修改其中的一个变量，其他变量值都会被修改。

若想要得到的是 ndarray 切片的一份副本而非视图，就需要显式的进行复制操作函数 copy()。

如：

array5=array1.copy()      # 对原始的 array1 的复制 

array6=array1[1:4].copy() # 对切片 array1[1:4] 的复制 

那么，修改 array5 或 array6，就不会影响 array1。