人工智能之数据分析 numpy
第十章 副本视图
@
目录
- 人工智能之数据分析 numpy
- 前言
- 一、核心概念
- 二、如何判断是副本还是视图？
- 三、常见操作：返回视图 vs 副本
- ✅ 返回 视图 的操作（共享数据）
- ✅ 返回 副本 的操作（独立数据）
- 四、reshape() 和 ravel() 的细节对比
- 五、实战陷阱：意外修改原数组
- ❌ 错误示例：以为切片是副本
- ✅ 正确做法：明确需要副本时用
.copy()- 六、何时用视图？何时用副本？
- 七、总结速查表
- 八、最佳实践建议
- 后续
- 资料关注
前言
在 NumPy 中，副本（copy） 和 视图（view） 是理解数组内存管理、性能优化和避免意外修改的关键概念。它们决定了当你对一个数组进行切片、变形或赋值操作时，是否创建了新的数据副本，还是仅仅创建了一个指向原数据的新“窗口”。
下面从原理、区别、判断方法到实战示例，详细解析：
一、核心概念
| 概念 | 含义 | 是否共享数据 | 修改影响 |
|---|---|---|---|
| 副本（Copy） | 完全独立的新数组，拥有自己的内存空间 | ❌ 不共享 | 修改副本不影响原数组 |
| 视图（View） | 原数组的一个“窗口”或“别名”，不复制数据 | ✅ 共享 | 修改视图会改变原数组 |
💡 关键点：NumPy 默认尽可能返回 视图（为了节省内存和提升速度），只有在必要时才返回副本。
二、如何判断是副本还是视图？
使用数组的 .base 属性：
- 如果
arr.base is None→ 这是一个副本（或原始数组） - 如果
arr.base is not None→ 这是一个视图，base指向原始数组
import numpy as npa = np.array([1, 2, 3, 4])
b = a.view() # 显式创建视图
c = a.copy() # 显式创建副本
d = a[1:3] # 切片（通常返回视图）print(b.base is a) # True → 视图
print(c.base is a) # False → 副本（c.base is None）
print(d.base is a) # True → 视图（切片是视图！）
三、常见操作：返回视图 vs 副本
✅ 返回 视图 的操作（共享数据）
| 操作 | 示例 | 说明 |
|---|---|---|
| 切片（slicing） | a[1:4] |
最常见！ |
np.view() |
a.view() |
显式创建视图 |
reshape()（当可能时） |
a.reshape(2,2) |
如果不改变数据布局，返回视图 |
转置 T |
a.T |
对高维数组通常是视图 |
a = np.array([[1, 2], [3, 4]])
b = a.reshape(4,) # 视图（连续内存）
b[0] = 99
print(a) # [[99, 2], [3, 4]] → 原数组被修改！
⚠️ 注意：
reshape()不一定总是视图！如果无法在不复制数据的情况下 reshape（如非连续数组），NumPy 会自动返回副本。
✅ 返回 副本 的操作（独立数据）
| 操作 | 示例 | 说明 |
|---|---|---|
np.copy() |
a.copy() |
显式深拷贝 |
| 花式索引（fancy indexing） | a[[0, 2, 1]] |
总是副本 |
| 布尔索引 | a[a > 2] |
总是副本 |
flatten() |
a.flatten() |
总是返回副本 |
ravel()（有时） |
a.ravel() |
尽量返回视图，不行则副本（与 flatten 不同） |
a = np.array([1, 2, 3, 4])# 花式索引 → 副本
b = a[[0, 2]]
b[0] = 99
print(a) # [1, 2, 3, 4] → 未变# flatten → 副本
c = a.flatten()
c[0] = 88
print(a) # 仍为 [1, 2, 3, 4]
四、reshape() 和 ravel() 的细节对比
| 方法 | 是否修改原数组 | 返回类型 | 内存行为 |
|---|---|---|---|
arr.reshape(...) |
❌ | 新数组 | 尽量视图，否则副本 |
arr.resize(...) |
✅ | 无返回（in-place） | 直接修改原数组形状 |
arr.ravel() |
❌ | 一维数组 | 尽量视图 |
arr.flatten() |
❌ | 一维数组 | 总是副本 |
a = np.array([[1, 2], [3, 4]])# ravel() → 视图（因为 a 是连续的）
b = a.ravel()
b[0] = 99
print(a) # [[99, 2], [3, 4]]# flatten() → 副本
c = a.flatten()
c[0] = 88
print(a) # 仍是 [[99, 2], [3, 4]]
五、实战陷阱：意外修改原数组
❌ 错误示例：以为切片是副本
data = np.array([10, 20, 30, 40])
subset = data[1:3] # 这是视图！
subset[0] = 999 # 你以为只改 subset？
print(data) # [10, 999, 30, 40] → 原数组被改了！
✅ 正确做法：明确需要副本时用 .copy()
data = np.array([10, 20, 30, 40])
subset = data[1:3].copy() # 显式创建副本
subset[0] = 999
print(data) # [10, 20, 30, 40] → 安全！
六、何时用视图？何时用副本？
| 场景 | 推荐 |
|---|---|
| 只读访问子数据（如分析某段信号） | 用视图（高效） |
| 需要修改子数据但不想影响原数组 | 用 .copy() |
| 函数内部处理数组，不确定是否会被修改 | 默认 .copy() 更安全 |
| 内存受限，且确定不会修改 | 用视图节省内存 |
七、总结速查表
| 操作 | 返回 | 是否共享数据 | 安全修改？ |
|---|---|---|---|
a[:] |
视图 | ✅ | ❌（会影响 a） |
a[1:3] |
视图 | ✅ | ❌ |
a[[1,2]] |
副本 | ❌ | ✅ |
a[a>0] |
副本 | ❌ | ✅ |
a.reshape(...) |
视图（尽量） | 可能 | 谨慎 |
a.copy() |
副本 | ❌ | ✅ |
a.view() |
视图 | ✅ | ❌ |
a.flatten() |
副本 | ❌ | ✅ |
a.ravel() |
视图（尽量） | 可能 | 谨慎 |
八、最佳实践建议
- 永远不要假设切片是副本 → 如需独立数据，显式调用
.copy() - 在函数参数中接收数组时，若要修改，先
.copy()避免副作用 - 使用
.base属性调试内存关系 - 处理大型数组时，优先使用视图以节省内存，但要小心写操作
后续
本文主要讲述了numpy数组副本和视图。python过渡项目部分代码已经上传至gitee，后续会逐步更新，主要受时间原因限制，当然自己也可以克隆到本地学习拓展。
资料关注
公众号：咚咚王
gitee：https://gitee.com/wy18585051844/ai_learning
《Python编程：从入门到实践》
《利用Python进行数据分析》
《算法导论中文第三版》
《概率论与数理统计（第四版） (盛骤) 》
《程序员的数学》
《线性代数应该这样学第3版》
《微积分和数学分析引论》
《（西瓜书）周志华-机器学习》
《TensorFlow机器学习实战指南》
《Sklearn与TensorFlow机器学习实用指南》
《模式识别（第四版）》
《深度学习 deep learning》伊恩·古德费洛著 花书
《Python深度学习第二版(中文版)【纯文本】 (登封大数据 (Francois Choliet)) (Z-Library)》
《深入浅出神经网络与深度学习+(迈克尔·尼尔森（Michael+Nielsen）》
《自然语言处理综论 第2版》
《Natural-Language-Processing-with-PyTorch》
《计算机视觉-算法与应用(中文版)》
《Learning OpenCV 4》
《AIGC：智能创作时代》杜雨+&+张孜铭
《AIGC原理与实践：零基础学大语言模型、扩散模型和多模态模型》
《从零构建大语言模型（中文版）》
《实战AI大模型》
《AI 3.0》
![P2949 [USACO09OPEN] Work Scheduling G 题解](http://pic.xiahunao.cn/P2949 [USACO09OPEN] Work Scheduling G 题解)
