python效率numpy_python numpy和内存效率（按引用传递vs.值）

python（和大多数主流语言）中的对象作为引用传递。

以numpy为例，通过索引现有数组而创建的“新”数组只是原始数组的视图。例如：import numpy as np

>>> vec_1 = np.array([range(10)])

>>> vec_1

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

>>> vec_2 = vec_1[3:] # let vec_2 be vec_1 from the third element untill the end

>>> vec_2

array([3, 4, 5, 6, 7, 8, 9])

>>> vec_2[3] = 10000

array([3, 4, 5, 10000, 7, 8, 9])

>>> vec_1

array([0, 1, 2, 3, 4, 5, 10000, 7, 8, 9])

Numpy有一个方便的方法来帮助您解决问题，叫做may_share_memory（obj1，obj2）。所以：>>> np.may_share_memory(vec_1, vec_2)

True

小心点，因为这个方法可能会返回误报（尽管我从未见过）。

根据经验，默认情况下，对象几乎从不作为值传递。即使是封装在另一个物体上的。另一个例子，在列表中进行巡更：Class SomeClass():

def __init__(a_list):

self.inside_list = a_list

def get_list(self):

return self.inside_list

>>> original_list = range(5)

>>> original_list

[0,1,2,3,4]

>>> my_object = SomeClass(original_list)

>>> output_list = my_object.get_list()

>>> output_list

[0,1,2,3,4]

>>> output_list[4] = 10000

>>> output_list

[0,1,2,3,10000]

>>> my_object.original_list

[0,1,2,3,10000]

>>> original_list

[0,1,2,3,10000]

令人毛骨悚然，嗯？

使用赋值符号（“=”）或在函数末尾返回赋值符号，您将始终创建指向对象或其一部分的指针。仅当您显式地使用复制方法（如某些dict.copy或array[：]）复制对象时，才会复制对象。例如：>>> original_list = range(5)

>>> original_list

[0,1,2,3,4]

>>> my_object = SomeClass(original_list[:])

>>> output_list = my_object.get_list()

>>> output_list

[0,1,2,3,4]

>>> output_list[4] = 10000

>>> output_list

[0,1,2,3,10000]

>>> my_object.original_list

[0,1,2,3,10000]

>>> original_list

[0,1,2,3,4]

明白了吗？