在numpy中，q1 = p[:]而不是q1 = p，但是当我修改q1时p被修改了？ [复制]答案

【问题标题】：In numpy, q1 = p[:] instead of q1 = p, yet p is modified when I modify q1? [duplicate]在numpy中，q1 = p[:]而不是q1 = p，但是当我修改q1时p被修改了？ [复制]
【发布时间】：2020-03-26 13:23:43
【问题描述】：

我对在 Python 中复制 Numpy 数组的工作方式感到困惑。我从以下内容开始：

import numpy as np
p = np.array([1.0, 0.0, 1.0, 0.3])

然后我尝试使用以下三种方法制作 p 的“副本”：

q = p
q1 = p[:]
q2 = p.copy()

现在我执行q1[2] = 0.2，然后检查q、q1和q2的值。我惊讶地发现 p、q 和 q1 都变成了array([1.0, 0.0, 0.2, 0.3])，而只有 q2 保持不变。我还使用id()检查了所有四个变量（p、q、q1、q2）的地址，并确认id(p) = id(q)，但id(q1) != id(p)。

我的问题是，如果id(q1) != id(p)，q1 的修改如何改变 p 和 q？谢谢！

【问题讨论】：

2 个具有唯一 ID 的对象仍然可以访问共享内存
@byxor 感谢您的快速回复！那么这个ID指的是什么？我以为 id(x) 会检查 x 的内存位置，不是吗？
[...][:] 制作列表的（浅）副本，因为这是定义 list.__getitem__ 的方式。 np.array.__getitem__ 的定义不同。
@Xiao 正确。尽管没有什么可以阻止具有不同内存地址的 2 个对象修改 1 块共享内存。例如。如果一个类的 2 个实例包含对列表的引用，则这些实例将具有单独的 ID，但它们都将操作（列表的）相同的底层内存。
@byxor 我明白了。这很有帮助。谢谢！

标签： python numpy

【解决方案1】：

Numpy 状态的documentation：

基本切片生成的所有数组都是原始数组的视图。

因此，在您的情况下，q1 是 p 的 view，反映了对 p 所做的更改。

【讨论】：

【解决方案2】：

因为您使用的是简单的切片操作，numpy 将使用数组结果切片的共享内存视图。在这种情况下，它是整个数组。它们被不同的 python 对象引用，但底层的 numpy 数组是相同的。 q1 只是 p 引用的同一数组的视图。

您可以使用np.shared_memory 进行检查。

import numpy as np
p = np.array([1.0, 0.0, 1.0, 0.3])

q1 = p[:]

np.shares_memory(p, q1)
# returns:
True

当切片不属于整个数组时也是如此。如：

p = np.array([1.0, 0.0, 1.0, 0.3])

q2 = p[1::2]
print(q2)
#prints:
[0.  0.3]

# setting a value of q2 changes p
q2[0] = 10.0
p
# returns:
array([ 1. , 10. ,  1. ,  0.3])

【讨论】：

感谢您的回复！那么为了创建一个真正独立的 p 副本，我应该使用 p.copy() 吗？
是的。这是最好的方法。
感谢您的回复！一个后续问题：就制作 p 的独立副本（这样对 q2 的更改不会影响 p）而言，q2 = p.copy() 是否足够？我是否需要 q2 = p.deepcopy() 来确保 q2 独立于 p？
复制应该足够了，除非它是一个嵌套python对象的numpy数组。
感谢您的回复！这对我很有帮助:)