当前位置：首页 > news >正文

NumPy 数组的复制的几种实现方法

news 2026/4/16 3:57:49

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

importnumpy 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(bisa)# 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(cisa)# 输出 False，c是新对象

print(c.baseisa)# 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(disa)# 输出 False，d是新对象

print(d.baseisa)# 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。

1 2	`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

dela# 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