Python numpy视图与副本

前言：

继上一篇对numpy 模块之ndarray一文中对 ndarray 内存结构主要分为两部分：

metdata ：存放数组类型dtype、数组维度ndim、维度数量shape、维间距strides等
raw bata：存放原始数据data

在 metdata 中包含着关于数组相关信息，可以帮助我们在数组ndarray中快速索引和解释指定的数据

除此了对数组进行索引操作外，也会对数组的原数据进行类似与之前“拷贝”操作。

众所周知，在 python 中大家应该对深浅拷贝有一定的印象吧，在 numpy 中则换成了“视图”与“副本”的概念了。

相信大家和我一样对此存在疑问，十万个为什么涌上心头了，“视图是什么？”，“什么是副本？”

因此，本期我们一起来学习 numpy 模块中比较新奇的概念视图与副本，Let's Go~

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å
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

到此这篇关于Python numpy视图与副本的文章就介绍到这了,更多相关Python numpy视图与副本内容请搜索编程网以前的文章或继续浏览下面的相关文章希望大家以后多多支持编程网！