NumPy 中的视图与副本¶

日期	2018-02-11（最后修改），2008-01-31（创建）

人们经常给 !NumPy 列表发邮件询问在哪些情况下会创建数组的视图，哪些情况下不会。本页试图澄清关于这个相当微妙主题的一些棘手问题。

什么是 NumPy 数组的视图？¶

顾名思义，它只是另一种 **查看** 数组数据的 **方式**。从技术上讲，这意味着两个对象的 **数据** 是 **共享** 的。您可以通过选择原始数组的 **切片** 来创建视图，也可以通过更改 **dtype**（或两者结合）来创建视图。这些不同类型的视图将在下面介绍。

切片视图¶

这可能是 !NumPy 中创建视图最常见的来源。创建切片视图的经验法则是，被查看的元素可以用原始数组中的偏移量、步长和计数来寻址。例如

在 [ ]

>>> a = numpy.arange(10)
>>> a
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> v1 = a[1:2]
>>> v1
array([1])
>>> a[1] = 2
>>> v1
array([2])
>>> v2 = a[1::3]
>>> v2
array([2, 4, 7])
>>> a[7] = 10
>>> v2
array([ 2,  4, 10])

在上面的代码片段中，v1 和 v2 是 a 的视图。如果您更新 a 的元素，那么 v1 和 v2 将反映更改。

Dtype 视图¶

另一种创建数组视图的方法是将另一个 **dtype** 分配给同一个数据区域。例如

在 [ ]

>>> b = numpy.arange(10, dtype='int16')
>>> b
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9], dtype=int16)
>>> v3 = b.view('int32')
>>> v3 += 1
>>> b
array([1, 1, 3, 3, 5, 5, 7, 7, 9, 9], dtype=int16)
>>> v4 = b.view('int8')
>>> v4
array([1, 0, 1, 0, 3, 0, 3, 0, 5, 0, 5, 0, 7, 0, 7, 0, 9, 0, 9, 0], dtype=int8)

在这种情况下，和是的视图。如您所见，**dtype 视图** 不如 **切片视图** 那么有用，但在某些情况下可能很方便（例如，快速查看通用数组的字节）。

常见问题解答¶

我认为我理解了视图的概念，但为什么花式索引没有返回视图？¶

人们可能会倾向于认为使用花式索引会导致切片视图。但事实并非如此。

在 [ ]

>>> a = numpy.arange(10)
>>> c1 = a[[1,3]]
>>> c2 = a[[3,1,1]]
>>> a[:] = 100
>>> c1
array([1, 3])
>>> c2
array([3, 1, 1])

花式索引不返回视图的原因是，一般来说，它无法用切片来表示（如上所述，能够用偏移量、步长和计数来寻址）。

例如，花式索引可以表示为，但无法通过切片来表示。因此，返回的是包含原始数据副本的对象。

但是，花式索引似乎有时会返回视图，不是吗？¶

许多用户被误导，认为当他们使用这种习惯用法时，花式索引返回的是视图而不是副本。

在 [ ]

>>> a = numpy.arange(10)
>>> a[[1,2]] = 100
>>> a
array([  0, 100, 100,   3,   4,   5,   6,   7,   8,   9])

因此，似乎a<1,2>实际上是一个视图，因为元素 1 和 2 已被更新。但是，如果我们一步一步地尝试，它将无法工作。

在 [ ]

>>> a = numpy.arange(10)
>>> c1 = a[[1,2]]
>>> c1[:] = 100
>>> a
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> c1
array([100, 100])

这里发生的事情是，在第一个习惯用法（）中，Python 解释器将其转换为

在 [ ]

a.__setitem__([1,2], 100)

即，不需要创建视图或副本，因为该方法可以在原地进行评估（即不涉及创建新对象）。

但是，第二个习惯用法（）被转换为

在 [ ]

c1 = a.__getitem__([1,2])
c1.__setitem__(slice(None, None, None), 100)  # [:] translates into slice(None, None, None)

即，在调用之前，创建一个包含副本（记住，花式索引不返回视图）的某些元素的新对象。

这里的经验法则可以是：在左值索引的上下文中（即索引位于赋值的左侧），不会创建数组的视图或副本（因为没有必要）。但是，对于常规值，上述创建视图的规则适用。

最后的练习¶

最后，让我们提出一个稍微高级的问题。下一个代码段按预期工作

在 [ ]

>>> a = numpy.arange(12).reshape(3,4)
>>> ifancy = [0,2]
>>> islice = slice(0,3,2)
>>> a[islice, :][:, ifancy] = 100
>>> a
array([[100,   1, 100,   3],
       [  4,   5,   6,   7],
       [100,   9, 100,  11]])

但下一个代码段不工作

在 [ ]

>>> a = numpy.arange(12).reshape(3,4)
>>> ifancy = [0,2]
>>> islice = slice(0,3,2)
>>> a[ifancy, :][:, islice] = 100  # note that ifancy and islice are interchanged here
>>> a
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

读者能发现其中的区别吗？“提示：从{{{getitem()}}} 和 {{{setitem()}}} 调用的顺序以及它们在每个示例中的作用来思考。”

章节作者：FrancescAltet、Unknown[16]、WarrenWeckesser、Ben Lewis