|
在 NumPy 中操作数组时，理解数据的复制机制是避免逻辑错误和内存浪费的关键。新手常因混淆 “复制” 与 “引用” 而踩坑，本文将系统讲解三种场景：无复制、视图（浅复制）和深复制。
1 无复制（No Copy at All）
简单赋值或函数传参时，不会复制数组对象或其数据，只是对同一对象的 “重命名” 或 “引用传递”。
1.1 简单赋值：同一对象的多个名称
import numpy as np
# 定义原始数组
a = np.array([[0, 1, 2, 3],
[4, 5, 6, 7],
[8, 9, 10, 11]])
b = a # 无新对象创建，b是a的“别名”
print(b is a) # 输出 True，证明是同一对象
此时修改 b 会直接改变 a，因为它们指向同一块内存。
1.2 函数调用的引用传递
Python 中可变对象（如 NumPy 数组）以引用方式传递给函数，函数内的操作会影响原对象。
2 视图 / 浅复制（View or Shallow Copy）
视图会创建新的数组对象，但共享原始数组的数据。新数组是原数据的 “窗口”，数据本身未被复制。
2.1 view（）方法创建视图
c = a.view()
print(c is a) # 输出 False，c是新对象
print(c.base is a) # 输出 True，c的底层数据由a持有
print(c.flags.owndata) # 输出 False，c不“拥有”自己的数据
2.2 视图的 “形状独立，数据共享”
视图可以独立修改形状，不影响原数组；但修改数据会同步影响原数组。
c = c.reshape((2, 6)) # 修改c的形状
print(a.shape) # 原数组a形状仍为(3, 4)
c[0, 4] = 1234 # 修改c的数据
print(a)
# 输出：
# array([[ 0, 1, 2, 3],
# [1234, 5, 6, 7],
# [ 8, 9, 10, 11]])
2.3 数组切片返回视图
对数组切片时，返回的是原数组的视图，而非新数组。
s = a[:, 1:3] # 切片得到视图s
s[:] = 10 # 修改视图的数据（注意是s[:] = 10，不是s = 10）
print(a)
# 输出：
# array([[ 0, 10, 10, 3],
# [1234, 10, 10, 7],
# [ 8, 10, 10, 11]])
注意：s[:] = 10 是修改视图数据，而 s = 10 是将 s 重新赋值为新对象，不再关联原数组。
3 深复制（Deep Copy）
深复制会创建原数组及其数据的完整副本，新数组拥有独立的内存空间，与原数组完全解耦。
3.1 copy（）方法创建深复制
d = a.copy()
print(d is a) # 输出 False，d是新对象
print(d.base is a) # 输出 False，d与a无任何共享
3.2 深复制的数据独立性
修改深复制的数组不会影响原数组。
d[0, 0] = 9999
print(a) # 原数组a不受影响，输出与之前一致
3.3 大数组切片的内存优化
当原始数组很大，且仅需要其一小部分时，对切片进行深复制可释放原始数组的内存。
a = np.arange(int(1e8)) # 创建超大数组
b = a[:100].copy() # 对切片深复制，b拥有独立数据
del a # 可释放a占用的大量内存
如果用 b = a[:100]（视图），a 会被 b 引用，即使 del a 也无法释放内存。
4 总结：三种方式对比
| 类型 | 是否创建新对象 | 是否共享数据 | 操作 / 方法 | 数据修改影响 |
|---|
| 无复制 | 否 | 是 | 简单赋值、函数传参 | 原数组与新变量相互影响 | | 视图（浅复制） | 是 | 是 | view()、数组切片 | 数据修改相互影响，形状修改不影响原数组 | | 深复制 | 是 | 否 | copy() | 原数组与新数组完全独立 |
掌握这三种机制，能让你在处理 NumPy 数组时更精准地控制内存和数据一致性，写出更健壮的代码。 |
发表于 2026-1-6 09:36:38
