Python numpy之视图与副本

盆友圈的小可爱
288 阅读5分钟

image.png

「这是我参与2022首次更文挑战的第3天，活动详情查看：2022首次更文挑战」

前言

继上一篇对numpy 模块之ndarray一文中对 ndarray 内存结构主要分为两部分：

image.png

  • metdata ：存放数组类型dtype、数组维度ndim、维度数量shape、维间距strides等
  • raw bata：存放原始数据data

在 metdata 中包含着关于数组相关信息，可以帮助我们在数组ndarray中快速索引和解释指定的数据

除此了对数组进行索引操作外，也会对数组的原数据进行类似与之前“拷贝”操作。

众所周知，在 Python 中大家应该对深浅拷贝有一定的印象吧，在 numpy 中则换成了“视图”与“副本”的概念了。

相信大家和我一样对此存在疑问，十万个为什么涌上心头了，“视图是什么？”，“什么是副本？”

因此，本期我们一起来学习 numpy 模块中比较新奇的概念视图与副本，Let's go~

1. 开胃菜

我们之前在学习 Python 赋值、深浅拷贝时，在代码添加中对比两个对象的地址id()是否一致。

同理，按照这样的思路，numpy 中也可以对比两个数组地址是否一样。

同时，在 numpy 数组对象ndarray 也提供许多字段，方便让我们进一步地查看数组内部的差异

  • ndarray.flags : 查看数组存储策略、读写权限、对象等

    • C_CONTIGUOUS (C) 行优先存储
    • F_CONTIGUOUS 列优先存储
    • OWNDATA 数据所有者
    • WRITEABLE 编写权限
    • ALIGNED 数据元素与硬件指针对齐
    • WRITEBACKIFCOPY 数组是其他数组的副本
    • UPDATEIFCOPY 已弃用 注：flags 相关属性名称可以单独调用例如 flags.writeable

  • ndarray.base : 查看数组中的元素是否来自其他数组

  • ndarray.nbytes: 查看数组中数据占用的字节数

  • getsizeof(item): 查看数组占用的内存空点

介绍完上述指标，我们来小试一下

>>> import numpy as np
>>> a = np.array([1,2,3,4])
>>> print(a[1:3])
[2 3]
>>> print(a[[1,2]])
[2 3]
>>>

查看a[1:3] 与 a[[1,2]] 内存地址，它们俩位置不一样，a[[1,2]]意味发生了深拷贝本（副本），a[1:3] 是原数组a引用（视图）

>>> print(id(a[1:3]))
2247482965008
>>> print(id(a[[1,2]]))
2247482964928

查看ndarray.owndata 属性，发现a[1:3] 数据来自a数组的，而a[[1,2]]是自身数据的

>>> print(a.flags.owndata)
True
>>> print(a[1:3].flags.owndata)
False
>>> print(a[[1,2]].flags.owndata)
True

我们在看一下 ndarray.base 属性，果真印证了使用 flags.owndata 查询的结果，a[1:3] 不是数据所有者，而数据来源数组a;

a[[1,2]] 是数据所有者，数据来源本身（None）

>>> print(a[[1,2]].base)
None
>>> print(a[1:3].base)
[1 2 3 4]

2. 视图

  • 视图概念

    我们通过上述简单例子，可以知道 a[1:3] 不是数据所有者，数据来源于对数组a的引用（浅拷贝）。

    因此，我们应该对视图有了基本的认识了，看一下官方怎么描述视图的

    No copy at All。 Simple assignments make no copy of objects or their data.

    视图，是对原数组进行引用拷贝，共享原始数组的数据。

  • 视图应用

    视图在numpy中广泛使用，视图一般产生有两种场景：

    • 当对原始数组进行引用时
    • 当自身无数据，与原数组共享数据时
    >>> import numpy as np
>>> a = np.array([1,2,3,4])
>>> b = a
>>> b is a
True
>>> id(a)
2247207679680
>>> id(b)
2247207679680
>>>

    我们可以看到 a 与 b 是 同享同一个数据空间的

    在numpy 模块诸如索引、切片、函数view(),reshape()等返回视图结果

    >>> arr = np.arange(10)
>>> arr_view = arr.view()
>>> arr.shape = (2,5)
>>> arr_reshape = arr.reshape(5,2)
# ndarray.base 属性
>>> print(arr.base)
None
>>> print(arr_view.base)
[[0 1 2 3 4]
 [5 6 7 8 9]]
>>> print(arr_reshape.base)
[[0 1 2 3 4]
 [5 6 7 8 9]]
# ndarray.flags.owndata 属性
>>> print(arr.flags.owndata)
True
>>> print(arr_view.flags.owndata)
False
>>> print(arr_reshape.flags.owndata)
False
>>>

    image.png

  • 视图优点

    在 numpy 中 视图可以创建的对象可以节省内存空间，并且无需复制，提高查询速度

    在视图中，创建的对象如果修改数据，原始数据也被修改。

3. 副本

  • 副本概念

    副本是对原数组进行完整拷贝（数据地址也会拷贝新的），与原始数组完全独立，相对于“深拷本”，不与原始数组共享数据。

    同样截取官网，对副本的描述：

    Deep Copy The copy method makes a complete copy of the array and its data

    当改变副本的数据元素值时，虽然改变了副本与原数组相互独立，原始数组中元素值不会发生改变。

  • 副本应用

    • 当进行切片操作时
    • 当需要与原始数组数据独立时

    副本的实现我们可以直接使用 ndarray.copy()方法对原数组进行深拷贝

    b = np.array([2,5,7])

c = b.copy()

c[1] = 8

print("b:",b)
print("c:",c)

print("c is b:",c is b)

# 查看 ndarray.base 属性å
print("b.base:",b.base)
print("c.base:",c.base)

# 查看 ndarray.flags.owndata
print("b.flags.owndata:",b.flags.owndata)
print("c.flags.owndata:",c.flags.owndata)

    image.png

    image.png

总结

本期，我们对 numpy 模块中重要的概念视图和副本。

  • 视图，相当于浅拷贝，与原数组共享数据。
  • 副本，相当于深拷贝，与原数组数据相互独立

我们可以通过内存地址id()方法，同时借助ndarray.base、ndarray.flags来进一步分析区别

以上是本期内容，欢迎大佬们点赞评论，下期见～～～

avatar
文章
阅读
粉丝