Cópia e Visualização de Array do NumPy

A cópia é uma cópia completa dos dados, se alterarmos a cópia, ela não afetará os dados originais, e a memória física não está no mesmo local.
A vista é um sinônimo ou referência dos dados, através do qual também é possível acessar e operar os dados originais, mas os dados originais não geram uma cópia. Se alterarmos a vista, ela afetará os dados originais, no mesmo local da memória física.

Diferença entre cópia e vista

A principal diferença entre a cópia e a vista do array é que a cópia é um novo array, enquanto a vista é apenas a vista do array original.A cópia possui dados, qualquer alteração feita na cópia não afetará o array original, e qualquer alteração feita no array original também não afetará a cópia.A vista não possui dados, qualquer alteração feita na vista afetará o array original, e qualquer alteração feita no array original também afetará a vista.

1、a operação de fatiamento do numpy retorna a vista dos dados originais.2、gera uma vista chamando a função view() do ndarray.

Operação de fatiamento de sequência Python, chamada da função deepCopy().A chamada da função copy() do ndarray gera uma cópia.

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。

Nenhum cópia
A simples atribuição não criará uma cópia do objeto de array. Em vez disso, usará o mesmo id() do array original para acessá-lo. O id() retorna o identificador geral do objeto Python, semelhante ao ponteiro em C. Além disso, qualquer mudança em um array refletirá no outro. Por exemplo, a alteração da forma de um array também alterará a forma do outro array.6)
>>> import numpy como np
>>> a = np.arange(　1　2　3　4　5]
>>> print ('Nossa matriz é:',a)
>>> print ('Chamar a função id():',id(a))　4553321728
Chamar a função id():
>>> b.shape =
>>> b = a　1　2　3　4　5]
[0
>>> print ('b possui o mesmo id():',id(b))　4553321728
b possui o mesmo id():　3,2
>>> b.shape =
[[0　1]
　[2　3]
　[4　5]]
>>> print(b)
[[0　1]
　[2　3]
　[4　5]]
>>> print(a)

>>>

ndarray.view() criará um novo objeto de array, e a alteração da dimensão do novo array criado não alterará a dimensão dos dados originais. Vista ou cópia superficial

import numpy as np　
　
　# No início, a é um　3X2　do array
a = np.arange(6).reshape(3,2)　
print('Array a：')
print(a)
print ('Criar vista de a:')
b = a.view()　
print(b)
print ('Os id() de dois arrays são diferentes:')
print ('id() de a:')
print(id(a))
print ('id() de b:')
print(id(b))
　# Modificar a forma de b não modificará a de a
b.shape =　2,3
print ('Forma de b:')
print(b)
print ('Forma de a:')
print(a)

O resultado da saída é：

Array a：
[[0　1]
　[2　3]
　[4　5]]
Criar vista de a:
[[0　1]
　[2　3]
　[4　5]]
Os id() de dois arrays são diferentes:
id() de a:
4314786992
id() de b:
4315171296
Forma de b:
[[0　1　2]
　[3　4　5]]
Forma de a:
[[0　1]
　[2　3]
　[4　5]]

Usar fatias para criar vistas e modificar dados afetará o array original:

import numpy as np　
arr = np.arange(12)
print ('Nossa matriz:')
print (arr)
print ('Criar fatias:')
a=arr[2:]
b=arr[2:]
a[1])=123456
b[2])=23445
print(arr)
print(id(a),id(b),id(arr[3:]))

O resultado da saída é：

Nossa matriz:
[ 0　1　2　3　4　5　6　7　8　9　10　11]
Criar fatias:
[ 0　1　2　123456　23445　5　6　7　8　9
　　　　　10　11]
4669930672　4444330304　4670012352
Processo finalizado com código de saída 0

As variáveis a e b são parte da visão de arr, a modificação da visão reflete diretamente os dados originais. Mas observamos os id de a e b, eles são diferentes, o que significa que embora a visão aponte para os dados originais, eles ainda têm diferenças em relação à atribuição de referência.

Cópia ou Cópia Profunda

A função ndarray.copy() cria uma cópia. A modificação dos dados da cópia não afeta os dados originais, eles não estão na mesma posição de memória física.

import numpy as np　
　
a = np.array([10,10],　[2,3],　[4,5]]　
print('Array a：')
print(a)
print('Crie uma cópia profunda de a：')
b = a.copy()　
print('Array b：')
print(b)
　# b não compartilha nenhum conteúdo com a　
print('Podemos escrever em b para escrever em a？')
print(b is a)
print('Modifique o conteúdo de b：')
b[0,0] =　100　
print('Array modificado b：')
print(b)
print('a manter inalterado：')
print(a)

O resultado da saída é：

Array a：
[[10　10]
　[　2　3]
　[　4　5]]
Crie uma cópia profunda de a：
Array b：
[[10　10]
　[　2　3]
　[　4　5]]
Podemos escrever em b para escrever em a？
False
Modifique o conteúdo de b：
Array modificado b：
[[100　10]
　[　2　3]
　[　4　5]]
a manter inalterado：
[[10　10]
　[　2　3]
　[　4　5]]