Question

在NumPy中，我理解切片数组会给你一个“视图”，在我看来，它与浅拷贝完全相同。他们有什么不同？

Answer 1

与Python列表对象不同，Python对象包含对第一级元素对象的引用（反过来可能引用更深层次的对象），NumPy数组仅引用单个数据缓冲区，该缓冲区存储所有维度的所有元素值数组，除此数据缓冲区外没有元素对象的层次结构。

列表的浅表副本将包含第一级元素引用的副本，并与原始列表共享引用的元素对象。 NumPy数组的浅表副本应包含的内容不太明显。应该（ A ）与原始数据缓冲区共享数据缓冲区，还是（ B ）有自己的副本（这有效地使其成为深层副本）？

NumPy数组的视图是意义A中的浅表副本，即它引用与原始数据相同的数据缓冲区，因此对原始数据的更改会影响视图数据，反之亦然。 / p>

库函数 copy.copy（）应该创建其参数的浅表副本，但是当应用于NumPy数组时，它会在意义B中创建一个浅表副本，即新数组得到它自己的数据缓冲区副本，因此对一个数组的更改不会影响另一个数组。

这里有一些代码显示了复制/查看NumPy数组的不同方法：

import numpy as np
import copy

x = np.array([10, 11, 12, 13])

# Create views of x (shallow copies sharing data) in 2 different ways
x_view1 = x.view()
x_view2 = x[:]          # Creates a view using a slice

# Create full copies of x (not sharing data) in 2 different ways
x_copy1 = x.copy()
x_copy2 = copy.copy(x)  # Calls x.__copy__() which creates a full copy of x

# Change some array elements to see what happens
x[0]       = 555        # Affects x, x_view1, and x_view2
x_view1[1] = 666        # Affects x, x_view1, and x_view2
x_view2[2] = 777        # Affects x, x_view1, and x_view2
x_copy1[0] = 888        # Affects only x_copy1
x_copy2[0] = 999        # Affects only x_copy2

print(x)                # [555 666 777  13]
print(x_view1)          # [555 666 777  13]
print(x_view2)          # [555 666 777  13]
print(x_copy1)          # [888  11  12  13]
print(x_copy2)          # [999  11  12  13]

上面的示例创建了整个原始数组索引范围的视图，并且具有与原始数组相同的数组属性，这不是很有趣（可以用简单的别名替换，例如x_alias = x）。视图功能强大的是它们可以是原始文件的所选部分的视图，并具有不同的属性。这在以下几行代码中得到了证明，它们扩展了上面的例子：

x_view3 = x[::2].reshape(2,1) # Creates a reshaped view of every 2nd element of x
print(x_view3)          # [[555]
                        #  [777]]
x_view3[1] = 333        # Affects 2nd element of x_view3 and 3rd element of x
print(x)                # [555 666 333  13]
print(x_view3)          # [[555]
                        #  [333]]

Answer 2

基本上有两种主要类型，一种是浅拷贝，另一种是深拷贝。

浅拷贝：如果是浅拷贝，如果您更改一个变量的值，它将反映出更改为另一变量。例如：

import numpy as np
a = np.array([1,2,3,4])
b=a
b[0]=353
print(b)
#>>> array([353,2,3,4])
print(a)
#>>> array([353,2,3,4])

深拷贝：如果使用Deep copy，如果您更改一个变量的值，则不会反映更改为另一变量。例如：

import numpy as np
a = np.array([1,2,3,4])
c=np.copy(a)
c[0]=111
print(c)
#>>> array([111,2,3,4])
print(a)
#>>> array([1,2,3,4])

在Python中，视图和浅拷贝之间有什么区别？

2 个答案: