NumPy副本和视图

其实从内存角度来说，副本就是对原数组进行深拷贝，新产生的副本与原数组具有不同的存储位置。而视图可理解为对数组的引用，它和原数组有着相同的内存位置。

赋值操作

赋值操作是数组引用的一种方法。比如，将 a 数组赋值给变量 b，被赋值后的变量 b 与 a 组具有相同的内存 id。因此，无论操作 a、b 中哪个数组，另一个数组也会受到影响。例如下：

import numpy as np
a = np.array([[1,2,3,4],[9,0,2,3],[1,2,3,19]])
print("原数组",a)
print("a数组的ID:",id(a))
b = a
print("数组b的id:",id(b))
b.shape = 4,3;
print("b数组形状的更改也会反映到a数组上:")
print(a)  

输出结果：

原数组：
[[1 2 3 4]
[9 0 2 3]
[1 2 3 19]]
数组a的ID：139663602288640
b数组的ID：139663602288640
b数组形状的更改也会反映给a数组上：
[[ 1 2 3]
[4 9 0]
[2 3 1]
[2 3 19]]

ndarray.view()

ndarray.view() 返回一个成的数组副本，因此对该数组的操作，不会影响到原数组。下面看一组示例：

import numpy as np
a = np.array([[1,2,3,4],[9,0,2,3],[1,2,3,19]])
print("原数组",a)
print("数组a的ID:",id(a))
b = a.view()
print("数组b的ID:",id(b))
#打印b数组
print(b)
#改变b数组形状
b.shape = 4,3
print("原数组a",a)
print("新数组b",b) 

输出结果：

原数组:
[[ 1  2  3  4]
[ 9  0  2  3]
[ 1  2  3 19]]
a数组id: 140280414447456
b数组id: 140280287000656
打印b数组
[[ 1  2  3  4]
[ 9  0  2  3]
[ 1  2  3 19]]
对数组b所做的更改不会反映到a数组上：
原a数组
[[ 1  2  3  4]
[ 9  0  2  3]
[ 1  2  3 19]]
新数组b
[[ 1  2  3]
[ 4  9  0]
[ 2  3  1]
[ 2  3 19]]

切片创建视图

使用切片可以创建视图数组，若要修改视图的就会影响到原数组，示例如下：

import numpy as np
arr = np.arange(10)
print ('数组arr：')
print (arr)
#创建切片修改原数组arr
a=arr[3:]
b=arr[3:]
a[1]=123
b[2]=234
print(arr)

输出结果：

arr数组：
[ 0 1 2 3 4 5 6 7 8 9]
切片修改arr原数组：
[ 0 1 2 3 123 234 6 7 8 9]

ndarray.copy()

该方法返回原数组的副本，对副本的修改不会影响到原数组。示例如下：

import numpy as np
a = np.array([[1,2,3,4],[9,0,2,3],[1,2,3,19]])
print("原数组",a)
print("a数组ID:",id(a))
b = a.copy()
print("b数组ID:",id(b))
print("打印经过copy方法的b数组：")
print(b)
b.shape=4,3
print("原数组",a)
print("经过copy方法的b数组",b) 

原始数组:
[[ 1  2  3  4]
[ 9  0  2  3]
[ 1  2  3 19]]
a数组ID: 139895697586176
b数组ID: 139895570139296
打印经过copy方法的b数组
[[ 1  2  3  4]
[ 9  0  2  3]
[ 1  2  3 19]]
对b数组的改变不会影响到a数组：
原数组
[[ 1  2  3  4]
[ 9  0  2  3]
[ 1  2  3 19]]
经过Copy方法的b数组
[[ 1  2  3]
[ 4  9  0]
[ 2  3  1]
[ 2  3 19]]