人工智能之数据分析 numpy

第十章 副本视图

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 np
a = 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？

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

1. 永远不要假设切片是副本 → 如需独立数据，显式调用 .copy()
2. 在函数参数中接收数组时，若要修改，先 .copy() 避免副作用
3. 使用 .base 属性调试内存关系
4. 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》