我最近开始研究McKinney的Python用于数据分析。这让我感到震惊：
数组切片是原始数组的视图。这意味着数据不是 复制并对视图的任何修改都将反映在 源数组...由于NumPy已经设计了大数据用例 记住，如果NumPy，你可以想象性能和内存问题 坚持从左到右复制数据。
精细。似乎是一个明智的设计选择。但两页之后它说：
等等，什么？此外，通过布尔索引从数组中选择数据始终会创建副本 即使返回的数组没有改变，数据也是如此。
你甚至可以将布尔数组与切片混合搭配......例如
data[names == 'Bob', 2:]
现在会有什么回报？对数据副本的看法？为什么这种行为是这样的呢？来自R，我看到布尔索引和基于位置的索引同样经常使用的技术。如果NumPy的设计是为了避免复制内存，那么推动这种设计选择的是什么？
感谢。
答案 0 :(得分：8)
我们假设一维数组。内存中的数据类似于：
10 | 11 | 12 | 13 | 14 | 15 | 16
按索引访问元素是微不足道的。只需取第一个元素的位置，然后跳转n个步骤。所以，对于arr[2]：
10 | 11 | 12 | 13 | 14 | 15 | 16
^
我可以通过一次乘法获得内存中的位置。快速而简单。
我可以做一个切片，并说“只采取arr2 = arr[2:-1]”：
10 | 11 | 12 | 13 | 14 | 15 | 16
^----^----^----^
现在，内存布局非常相似。获取元素是新起点的倍增。 arr2[1]：
10 | 11 | 12 | 13 | 14 | 15 | 16
(ignore) -----^----------
你可以做一个更高级的技巧，然后说arr3 = arr[::2]，让所有元素各跳一次。
10 | 11 | 12 | 13 | 14 | 15 | 16
^---------^---------^---------^
再次，获取arr3的索引非常简单：只需进行乘法，但现在大小更大。这就是大步之道，它们会告诉您块的大小以及如何通过索引获取元素。在更多方面，步幅更加强大。顺便说一句，这是我们将内存（1D）转换为矩阵（2D）的方式。
现在，我们开始使用布尔数组。如果我的掩码是：T F T T F F T并且我要求你提供第三个元素，你需要转换掩码，找到第三个是真的，然后得到它的索引;因此，非常慢。因此，当采用布尔掩码时，我们必须复制数据。有一些面具可以用步幅表示，但一般情况下不一样，所以为了保持一致，总是复制。
作为旁注，有时候，制作副本的成本值得表现。如果要执行许多操作读取“数组的每五个元素”，内存中的数据将不会对齐，因此CPU必须等待每次都获取它。然后制作单个副本（将是连续的）并使用它会更快。
答案 1 :(得分：2)
需要一个副本，因为使用任意布尔索引，您无法保证结果可以表示为ndarray。
请参阅：http://scipy-lectures.github.io/advanced/advanced_numpy/#indexing-scheme-strides
自
以来切片返回视图一切只能通过更改
shape，strides以及可能调整data指针来表示！