NumPy 教程（第 19 章）：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：

• numpy 的切片操作返回原数据的视图

• 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

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

In [1]: import numpy as np

In [2]: x = np.arange(6)

In [3]: x
Out[3]: array([0, 1, 2, 3, 4, 5])

In [4]: id(x)
Out[4]: 4578016672

In [5]: y = x

In [6]: y
Out[6]: array([0, 1, 2, 3, 4, 5])

In [7]: id(y)
Out[7]: 4578016672

In [8]: y.shape = 3, 2

In [9]: y
Out[9]:
array([[0, 1],
       [2, 3],
       [4, 5]])

In [10]: x
Out[10]:
array([[0, 1],
       [2, 3],
       [4, 5]])

视图或浅拷贝

ndarray.view() 函数

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

In [1]: import numpy as np

In [2]: x = np.arange(6).reshape(3,2)

In [3]: x
Out[3]:
array([[0, 1],
       [2, 3],
       [4, 5]])

In [4]: y = x.view()

In [5]: y
Out[5]:
array([[0, 1],
       [2, 3],
       [4, 5]])

In [6]: id(x), id(y)
Out[6]: (4553375952, 4557138240)

In [7]: y.shape = 2, 3

In [8]: y
Out[8]:
array([[0, 1, 2],
       [3, 4, 5]])

In [9]: x
Out[9]:
array([[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：

In [1]: import numpy as np

In [2]: arr = np.arange(12)

In [3]: arr
Out[3]: array([0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

In [4]: a = arr[3:]

In [5]: b = arr[3:]

In [6]: a[1] = 123

In [7]: b[2] = 234

In [8]: arr
Out[8]: array([0, 1, 2, 3, 123, 234, 6, 7, 8, 9, 10, 11])

In [9]: id(a), id(b), id(arr[3:])
Out[9]: (4480557104, 4589075712, 4589136192)

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

In [1]: import numpy as np

In [2]: x = np.array([[10,10],  [2,3],  [4,5]])

In [3]: x
Out[3]:
array([[10, 10],
       [ 2,  3],
       [ 4,  5]])

In [4]: y = x.copy()

In [5]: y
Out[5]:
array([[10, 10],
       [ 2,  3],
       [ 4,  5]])

In [6]: y is x
Out[6]: False

In [7]: y[0, 0] = 100

In [8]: y
Out[8]:
array([[100,  10],
       [  2,   3],
       [  4,   5]])

In [9]: x
Out[9]:
array([[10, 10],
       [ 2,  3],
       [ 4,  5]])