這篇文章主要介紹了Python?numpy視圖與副本，繼上一篇對(duì)numpy?模塊之ndarray一文中對(duì)?ndarray?內(nèi)存結(jié)構(gòu)主要分為兩部分metdata?、raw?bata，下面來(lái)一起學(xué)習(xí)文章具體內(nèi)容吧，需要的小伙伴也可以參考一下

1. 簡(jiǎn)單講解

我們之前在學(xué)習(xí) Python 賦值、深淺拷貝時(shí)，在代碼添加中對(duì)比兩個(gè)對(duì)象的地址id()是否一致。

同理，按照這樣的思路，numpy 中也可以對(duì)比兩個(gè)數(shù)組地址是否一樣。

同時(shí)，在 numpy 數(shù)組對(duì)象ndarray 也提供許多字段，方便讓我們進(jìn)一步地查看數(shù)組內(nèi)部的差異

ndarray.flags : 查看數(shù)組存儲(chǔ)策略、讀寫權(quán)限、對(duì)象等

C_CONTIGUOUS (C) 行優(yōu)先存儲(chǔ)
F_CONTIGUOUS 列優(yōu)先存儲(chǔ)
OWNDATA 數(shù)據(jù)所有者
WRITEABLE 編寫權(quán)限
ALIGNED 數(shù)據(jù)元素與硬件指針對(duì)齊
WRITEBACKIFCOPY 數(shù)組是其他數(shù)組的副本
UPDATEIFCOPY 已棄用

注：flags 相關(guān)屬性名稱可以單獨(dú)調(diào)用例如 flags.writeable

ndarray.base : 查看數(shù)組中的元素是否來(lái)自其他數(shù)組
ndarray.nbytes: 查看數(shù)組中數(shù)據(jù)占用的字節(jié)數(shù)
getsizeof(item): 查看數(shù)組占用的內(nèi)存空點(diǎn)

介紹完上述指標(biāo)，我們來(lái)小試一下：

>>> import numpy as np
>>> a = np.array([1,2,3,4])
>>> print(a[1:3])
[2 3]
>>> print(a[[1,2]])
[2 3]
>>>

查看a[1:3] 與 a[[1,2]] 內(nèi)存地址，它們倆位置不一樣，a[[1,2]]意味發(fā)生了深拷貝本（副本），a[1:3] 是原數(shù)組a引用（視圖）

>>> print(id(a[1:3]))
2247482965008
>>> print(id(a[[1,2]]))
2247482964928

查看ndarray.owndata 屬性，發(fā)現(xiàn)a[1:3] 數(shù)據(jù)來(lái)自a數(shù)組的，而a[[1,2]]是自身數(shù)據(jù)的

>>> print(a.flags.owndata)
True
>>> print(a[1:3].flags.owndata)
False
>>> print(a[[1,2]].flags.owndata)
True

我們?cè)诳匆幌?ndarray.base 屬性，果真印證了使用flags.owndata 查詢的結(jié)果，a[1:3] 不是數(shù)據(jù)所有者，而數(shù)據(jù)來(lái)源數(shù)組a;

a[[1,2]] 是數(shù)據(jù)所有者，數(shù)據(jù)來(lái)源本身（None）

>>> print(a[[1,2]].base)
None
>>> print(a[1:3].base)
[1 2 3 4]

2. 視圖

視圖概念

我們通過(guò)上述簡(jiǎn)單例子，可以知道 a[1:3] 不是數(shù)據(jù)所有者，數(shù)據(jù)來(lái)源于對(duì)數(shù)組a的引用（淺拷貝）。

因此，我們應(yīng)該對(duì)視圖有了基本的認(rèn)識(shí)了，看一下官方怎么描述視圖的

No copy at All。 Simple assignments make no copy of objects or their data.

視圖，是對(duì)原數(shù)組進(jìn)行引用拷貝，共享原始數(shù)組的數(shù)據(jù)。

視圖應(yīng)用

視圖在numpy中廣泛使用，視圖一般產(chǎn)生有兩種場(chǎng)景：

當(dāng)對(duì)原始數(shù)組進(jìn)行引用時(shí)
當(dāng)自身無(wú)數(shù)據(jù)，與原數(shù)組共享數(shù)據(jù)時(shí)

>>> import numpy as np
>>> a = np.array([1,2,3,4])
>>> b = a
>>> b is a
True
>>> id(a)
2247207679680
>>> id(b)
2247207679680
>>>

我們可以看到 a 與 b 是同享同一個(gè)數(shù)據(jù)空間的

在numpy 模塊諸如索引、切片、函數(shù)view(),reshape()等返回視圖結(jié)果

>>> arr = np.arange(10)
>>> arr_view = arr.view()
>>> arr.shape = (2,5)
>>> arr_reshape = arr.reshape(5,2)
# ndarray.base 屬性
>>> print(arr.base)
None
>>> print(arr_view.base)
[[0 1 2 3 4]
?[5 6 7 8 9]]
>>> print(arr_reshape.base)
[[0 1 2 3 4]
?[5 6 7 8 9]]
# ndarray.flags.owndata 屬性
>>> print(arr.flags.owndata)
True
>>> print(arr_view.flags.owndata)
False
>>> print(arr_reshape.flags.owndata)
False
>>>

視圖優(yōu)點(diǎn)

在 numpy 中視圖可以創(chuàng)建的對(duì)象可以節(jié)省內(nèi)存空間，并且無(wú)需復(fù)制，提高查詢速度

在視圖中，創(chuàng)建的對(duì)象如果修改數(shù)據(jù)，原始數(shù)據(jù)也被修改。

3. 副本

副本概念

副本是對(duì)原數(shù)組進(jìn)行完整拷貝（數(shù)據(jù)地址也會(huì)拷貝新的），與原始數(shù)組完全獨(dú)立，相對(duì)于“深拷本”，不與原始數(shù)組共享數(shù)據(jù)。

同樣截取官網(wǎng)，對(duì)副本的描述：

Deep Copy The copy method makes a complete copy of the array and its data

當(dāng)改變副本的數(shù)據(jù)元素值時(shí)，雖然改變了副本與原數(shù)組相互獨(dú)立，原始數(shù)組中元素值不會(huì)發(fā)生改變。

副本應(yīng)用

當(dāng)進(jìn)行切片操作時(shí)
當(dāng)需要與原始數(shù)組數(shù)據(jù)獨(dú)立時(shí)

副本的實(shí)現(xiàn)我們可以直接使用 ndarray.copy()方法對(duì)原數(shù)組進(jìn)行深拷貝

b = np.array([2,5,7])

c = b.copy()

c[1] = 8

print("b:",b)
print("c:",c)

print("c is b:",c is b)

# 查看 ndarray.base 屬性?
print("b.base:",b.base)
print("c.base:",c.base)

# 查看 ndarray.flags.owndata
print("b.flags.owndata:",b.flags.owndata)
print("c.flags.owndata:",c.flags.owndata)