Python numpy视图与副本

1. 简单讲解

我们之前在学习 Python 赋值、深浅拷贝时，在代码添加中对比两个对象的地址id()是否一致。

同理，按照这样的思路，numpy 中也可以对比两个数组地址是否一样。

同时，在 numpy 数组对象ndarray 也提供许多字段，方便让我们进一步地查看数组内部的差异

ndarray.flags : 查看数组存储策略、读写权限、对象等

C_CONTIGUOUS (C) 行优先存储
F_CONTIGUOUS 列优先存储
OWNDATA 数据所有者
WRITEABLE 编写权限
ALIGNED 数据元素与硬件指针对齐
WRITEBACKIFCOPY 数组是其他数组的副本
UPDATEIFCOPY 已弃用

注：flags 相关属性名称可以单独调用例如 flags.writeable

ndarray.base : 查看数组中的元素是否来自其他数组
ndarray.nbytes: 查看数组中数据占用的字节数
getsizeof(item): 查看数组占用的内存空点

介绍完上述指标，我们来小试一下：

>>> 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] 与 a[[1,2]] 内存地址，它们俩位置不一样，a[[1,2]]意味发生了深拷贝本（副本），a[1:3] 是原数组a引用（视图）

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

查看ndarray.owndata 属性，发现a[1:3] 数据来自a数组的，而a[[1,2]]是自身数据的

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

我们在看一下 ndarray.base 属性，果真印证了使用flags.owndata 查询的结果，a[1:3] 不是数据所有者，而数据来源数组a;

a[[1,2]] 是数据所有者，数据来源本身（None）

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

2. 视图

视图概念

我们通过上述简单例子，可以知道 a[1:3] 不是数据所有者，数据来源于对数组a的引用（浅拷贝）。

因此，我们应该对视图有了基本的认识了，看一下官方怎么描述视图的

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

视图，是对原数组进行引用拷贝，共享原始数组的数据。

视图应用

视图在numpy中广泛使用，视图一般产生有两种场景：

当对原始数组进行引用时
当自身无数据，与原数组共享数据时

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

我们可以看到 a 与 b 是同享同一个数据空间的

在numpy 模块诸如索引、切片、函数view(),reshape()等返回视图结果

>>> arr = np.arange(10)
>>> arr_view = arr.view()
>>> arr.shape = (2,5)
>>> arr_reshape = arr.reshape(5,2)
# ndarray.base 属性
>>> 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 属性
>>> print(arr.flags.owndata)
True
>>> print(arr_view.flags.owndata)
False
>>> print(arr_reshape.flags.owndata)
False
>>>

视图优点

在 numpy 中视图可以创建的对象可以节省内存空间，并且无需复制，提高查询速度

在视图中，创建的对象如果修改数据，原始数据也被修改。

3. 副本

副本概念

副本是对原数组进行完整拷贝（数据地址也会拷贝新的），与原始数组完全独立，相对于“深拷本”，不与原始数组共享数据。

同样截取官网，对副本的描述：

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

当改变副本的数据元素值时，虽然改变了副本与原数组相互独立，原始数组中元素值不会发生改变。

副本应用

当进行切片操作时
当需要与原始数组数据独立时

副本的实现我们可以直接使用 ndarray.copy()方法对原数组进行深拷贝

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 属性?
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)

总结：

本期，我们对 numpy 模块中重要的概念视图和副本。

视图，相当于浅拷贝，与原数组共享数据。
副本，相当于深拷贝，与原数组数据相互独立

我们可以通过内存地址id()方法，同时借助ndarray.base、ndarray.flags来进一步分析区别

频道导航