array_2 = array_1与array_2 = array_1.view()

Question

它们之间的区别是什么：

array_2 = array_1
array_2 = array_1.view()

例如，我想要一个示例，在第一种情况下将array_2更改为array的效果在第二种情况下会有所不同

Answer 1

要理解的关键是，赋值永远不会复制或创建新的对象。赋值只是将相同的对象分配给一个新的名称。它为同一对象创建了一个“别名”--同一对象的不同名称。视图创建一个新对象，该对象共享相同的底层基元缓冲区，即存储numpy数据的连续基元数组。因此，对该数据的更改对使用该缓冲区的所有python对象都是可见的。

考虑一下：

>>> import numpy as np
>>> array = np.array([-3, -2, -1, 0, 1, 2, 3, 4], dtype=np.int64)
>>> array_view = array.view()
>>> array_alias = array
>>> array_alias is array
True
>>> array_view is array
False

因此array和array_alias是两个不同的名称，指的是同一个Python对象，也就是我们在开始时创建的numpy.ndarray。array和array_view是两个独立的Python对象。

如果我修改对象，那么显然引用同一对象的两个名称将能够看到更改：

>>> array.dtype = np.uint64
>>> array
array([18446744073709551613, 18446744073709551614, 18446744073709551615,
                          0,                    1,                    2,
                          3,                    4], dtype=uint64)
>>> array_alias
array([18446744073709551613, 18446744073709551614, 18446744073709551615,
                          0,                    1,                    2,
                          3,                    4], dtype=uint64)

但是视图不会

>>> array_view
array([-3, -2, -1,  0,  1,  2,  3,  4])

但是，如果我修改了数据，因为两个不同的对象(即原始数组和视图)都引用相同的底层缓冲区，所以更改对别名和视图是可见的：

>>> array
array([18446744073709551613, 18446744073709551614, 18446744073709551615,
                       1337,                    1,                    2,
                          3,                    4], dtype=uint64)
>>> array_alias
array([18446744073709551613, 18446744073709551614, 18446744073709551615,
                       1337,                    1,                    2,
                          3,                    4], dtype=uint64)
>>> array_view
array([  -3,   -2,   -1, 1337,    1,    2,    3,    4])

下面是另一个例子，使用切片，另一个为numpy对象创建视图的操作：

>>> array = np.arange(16)
>>> array
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15])
>>> array_slice = array[::4]
>>> array_slice
array([ 0,  4,  8, 12])
>>> array is array_slice
False

我可以独立操作这些对象：

>>> array_slice.shape = (2, 2)
>>> array_slice
array([[ 0,  4],
       [ 8, 12]])
>>> array
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15])

但我不能独立操作他们的数据：

>>> array_slice[:] = 1337
>>> array_slice
array([[1337, 1337],
       [1337, 1337]])
>>> array
array([1337,    1,    2,    3, 1337,    5,    6,    7, 1337,    9,   10,
         11, 1337,   13,   14,   15])

最后，请注意，当您想要创建一个新对象时，通常会调用np.ndarray.view方法，该对象是原始数组的视图，但具有不同的数据类型，因此：

>>> array = np.array([-2, -1, 0, 1, 2], dtype=np.int64)
>>> bytewise = array.view(np.uint8)
>>> bytewise
array([254, 255, 255, 255, 255, 255, 255, 255, 255, 255, 255, 255, 255,
       255, 255, 255,   0,   0,   0,   0,   0,   0,   0,   0,   1,   0,
         0,   0,   0,   0,   0,   0,   2,   0,   0,   0,   0,   0,   0,
         0], dtype=uint8)

让我们适当地修改视图的形状，看看64位有符号整数是如何以原始字节表示的(即8位整数！)：

>>> bytewise.shape = array.shape[0], 8
>>> bytewise
array([[254, 255, 255, 255, 255, 255, 255, 255],
       [255, 255, 255, 255, 255, 255, 255, 255],
       [  0,   0,   0,   0,   0,   0,   0,   0],
       [  1,   0,   0,   0,   0,   0,   0,   0],
       [  2,   0,   0,   0,   0,   0,   0,   0]], dtype=uint8)
>>> array
array([-2, -1,  0,  1,  2])