哪些numpy操作会复制数据，哪些会改变数据？

Question

有没有一个经验法则可以知道在 numpy.ndarray 上哪些操作会产生值的 副本，哪些会就地修改它们呢？

我对 numpy 还比较陌生，肯定会走弯路，但我想知道是否有普遍的原则推动着可变性，这可能有助于加速我的学习。

- scanny

---

没有太多真正的inplace numpy操作。我能想到的只有直接形状赋值、inplace排序、调整大小、+=样式数学和索引赋值。 - hpaulj

没有明显的经验法则，但变异器列表很短。我认为我在我的答案中几乎列出了全部列表，所以如果有任何困惑，只需回到这里查看即可。 - tel

@tel 我认为对于我来说，"几乎永远不会变异"和"几乎总是返回一个视图"的经验法则非常有帮助，特别是在我刚开始学习时。底层问题是避免无意中更改我想要视为不变的东西（因为其他方法也会使用它），并避免不必要的性能损失。在您的回答之前，我还没有明确区分视图和副本，所以这也是一个非常有用的见解 :) 就我而言，数组就像是基于“基础”的映射，可以轻松创建现有基础上的新映射，这本质上就是创建视图。 - scanny

基本上就是这样。我要补充的是，有些数组是“基础”，也就是说它们正式拥有其底层内存缓冲区的所有权。值得庆幸的是，在绝大多数情况下，数组是否拥有自己的数据几乎没有任何区别（尽管还有一个经验法则：对拥有自己数据的数组进行操作“更有可能”返回一个视图而不是副本（尽管在某些情况下，对视图进行操作确实会返回一个视图））。 - tel

Answer 1

原地修改的函数

相对较少的numpy函数会在原地修改数组。大部分情况下，numpy函数返回数组视图，如果不能返回视图，则返回副本。

以下是一份详尽的列表（从文档中摘取）列出了能够在原地修改的函数/方法：

• ndarray.resize
• ndarray.sort
• 所有原地二元操作符（例如+=，*=，^=等）
• numpy.fill_diagonal
• numpy.random.shuffle
• ndarray.partition

以下是一份可选地在原地修改的函数/方法列表：

• ndarray.byteswap
• numpy.nan_to_num

某些赋值语句也会在原地修改数组。您可以通过对切片进行赋值（例如arr[...] = 1将数组中的每个值设置为1）来更改数组中的值，并且您可以通过直接将新形状分配给.shape来重新整形数组，例如arr.shape = (2,3)（不总是有效，请参见此处的说明）。

还有一些支持out关键字参数的函数。如果将同一数组作为输入和out传递给这些函数，则它们将像变异体一样运行。

请注意，我可能会漏掉一两个没有在文档中明确标记的原地修改器。无论如何，列表很短，因此没有太多需要记忆的内容。

有关视图与副本返回值的说明

在过去几年中，numpy开发人员的目标之一似乎是使numpy函数和ndarray方法更常见地返回视图而不是副本。现在，可以合理地假设，如果numpy函数/方法可以返回视图，则默认情况下会返回视图。

例如，ndarray.flatten 和 ndarray.ravel 执行了相同的操作（返回一个扁平化的数组）。然而，`ndarray.flatten` 的文档明确表示它会返回一个副本，而`ndarray.ravel` 的文档则表示只在必要时才返回副本。

在实际代码中，可以通过比较结果的 .base 的 `id` 和原始数组的 `id` 来判断操作是否产生了视图或副本。例如：

arr = np.array([[1, 2],
                [3, 4],
                [5, 6]])

arrflat = arr.flatten()
assert arrflat.base is not arr

arrravel = arr.ravel()
assert arrravel.base is arr

- tel

---

我不确定他是否在询问视图与副本。它们都是新的数组对象。 - hpaulj