NumPy 副本和视图

副本是一个数据的完整的拷贝，如果我们对副本进行修改，它不会影响到原始数据，物理内存不在同一位置。

视图是数据的一个别称或引用，通过该别称或引用亦便可访问、操作原有数据，但原有数据不会产生拷贝。如果我们对视图进行修改，它会影响到原始数据，物理内存在同一位置。

视图一般发生在：

• 1、numpy 的切片操作返回原数据的视图。
• 2、调用 ndarray 的 view() 函数产生一个视图。

副本一般发生在：

• Python 序列的切片操作，调用deepCopy()函数。
• 调用 ndarray 的 copy() 函数产生一个副本。

• import numpy as np
  
  #无复制
  #简单的赋值不会创建数组对象的副本。 相反，它使用原始数组的相同id()来访问它。 
  #id()返回 Python 对象的通用标识符，类似于 C 中的指针。
  #此外，一个数组的任何变化都反映在另一个数组上。 
  #例如，一个数组的形状改变也会改变另一个数组的形状。
  a=np.arange(6)
  print(a)
  print(id(a))
  b=a
  print(b)
  print(id(b))
  b.shape=2,3
  print(b)
  print(a)
  #[0 1 2 3 4 5]
  #173768496
  #[0 1 2 3 4 5]
  #173768496
  #[[0 1 2]
  # [3 4 5]]
  #[[0 1 2]
  # [3 4 5]]
  
  
  #视图或浅拷贝
  #ndarray.view() 方会创建一个新的数组对象，该方法创建的新数组的维数更改不会更改原始数据的维数。
  a=np.arange(6).reshape(3,2)
  print(a)
  b=a.view()
  print(b)
  print(id(a))
  print(id(b))
  b.shape=2,3
  print(b)
  print(a)
  #[[0 1]
  # [2 3]
  # [4 5]]
  #[[0 1]
  # [2 3]
  # [4 5]]
  #173920384
  #173920864
  #[[0 1 2]
  # [3 4 5]]
  #[[0 1]
  # [2 3]
  # [4 5]]
  
  #使用切片创建视图修改数据会影响到原始数组：
  arr=np.arange(12)
  print(arr)
  a=arr[3:]
  b=arr[3:]
  a[1]=123
  b[2]=124
  print(arr)
  print(id(a),id(b),id(arr[3:]))
  #[ 0  1  2  3  4  5  6  7  8  9 10 11]
  #[  0   1   2   3 123 124   6   7   8   9  10  11]
  #173921264 173920864 173768496
  
  #变量 a,b 都是 arr 的一部分视图，对视图的修改会直接反映到原数据中。但是我们观察 a,b 的 id，
  #他们是不同的，也就是说，视图虽然指向原数据，但是他们和赋值引用还是有区别的。
  
  
  
  #副本或深拷贝
  #ndarray.copy() 函数创建一个副本。 对副本数据进行修改，不会影响到原始数据，
  #它们物理内存不在同一位置
  a = np.array([[10,10],  [2,3],  [4,5]])  
  print(a)
  b=a.copy()
  print(b)
  print(b is a)
  b[0,0]=100
  print(b)
  print(a)
  #[[10 10]
  # [ 2  3]
  # [ 4  5]]
  #[[10 10]
  # [ 2  3]
  # [ 4  5]]
  #False
  #[[100  10]
  # [  2   3]
  # [  4   5]]
  #[[10 10]
  # [ 2  3]
  # [ 4  5]]

  参考：https://www.runoob.com/numpy/numpy-copies-and-views.html

• 以上，记录本人学习过程