NumPy简明教程（二、数组3）

前两篇文章对NumPy数组做了基本的介绍，本篇文章对NumPy数组进行较深入的探讨。首先介绍自定义类型的数组，接着数组的组合，最后介绍数组复制方面的问题。

自定义结构数组

通过NumPy也可以定义像C语言那样的结构类型。在NumPy中定义结构的方法如下：

定义结构类型名称；定义字段名称，标明字段数据类型。

[python] view plain copy

print ?

1. student= dtype({‘names’:[‘name’, ‘age’, ‘weight’], ‘formats’:[‘S32’, ‘i’,‘f’]}, align = True)  

student= dtype({'names':['name', 'age', 'weight'], 'formats':['S32', 'i','f']}, align = True)

这里student是自定义结构类型的名称，使用dtype函数创建，在第一个参数中，’names’和’formats’不能改变，names中列出的是结构中字段名称，formats中列出的是对应字段的数据类型。S32表示32字节长度的字符串，i表示32位的整数，f表示32位长度的浮点数。最后一个参数为True时，表示要求进行内存对齐。

字段中使用NumPy的字符编码来表示数据类型。更详细的数据类型见下表。

数据类型	字符编码
整数	i
无符号整数	u
单精度浮点数	f
双精度浮点数	d
布尔值	b
复数	D
字符串	S
Unicode	U
Void	V

在定义好结构类型之后，就可以定义以该类型为元素的数组了：

[python] view plain copy

print ?

1. a= array([(“Zhang”, 32, 65.5), (“Wang”, 24, 55.2)], dtype =student)  

a= array([(“Zhang”, 32, 65.5), (“Wang”, 24, 55.2)], dtype =student)

除了在每个元素中依次列出对应字段的数据外，还需要在array函数中最后一个参数指定其所对应的数据类型。

注：例子来源于张若愚的Python科学计算艺术的29页。更多关于dtype的内容请参考《NumPy for Beginner》一书的第二章。

组合函数

这里介绍以不同的方式组合函数。首先创建两个数组：

[python] view plain copy

print ?

1. >>> a = arange(9).reshape(3,3)  
2. >>> a  
3. array([[0, 1, 2],  
4.            [3, 4, 5],  
5.            [6, 7, 8]])  
6. >>> b = 2 * a  
7. >>> b  
8. array([[ 0, 2, 4],  
9.        [ 6, 8, 10],  
10.        [12, 14, 16]])  

>>> a = arange(9).reshape(3,3)
>>> a
array([[0, 1, 2],
           [3, 4, 5],
           [6, 7, 8]])
>>> b = 2 * a
>>> b
array([[ 0, 2, 4],
       [ 6, 8, 10],
       [12, 14, 16]])

水平组合

[python] view plain copy

print ?

1. >>> hstack((a, b))  
2. array([[ 0, 1, 2, 0, 2, 4],  
3.        [ 3, 4, 5, 6, 8, 10],  
4.        [ 6, 7, 8, 12, 14, 16]])  

>>> hstack((a, b))
array([[ 0, 1, 2, 0, 2, 4],
       [ 3, 4, 5, 6, 8, 10],
       [ 6, 7, 8, 12, 14, 16]])

也可通过concatenate函数 并指定相应的轴来获得这一效果：

[python] view plain copy

print ?

1. >>> concatenate((a, b), axis=1)  
2. array([[ 0, 1, 2, 0, 2, 4],  
3.        [ 3, 4, 5, 6, 8, 10],  
4.        [ 6, 7, 8, 12, 14, 16]])  

>>> concatenate((a, b), axis=1)
array([[ 0, 1, 2, 0, 2, 4],
       [ 3, 4, 5, 6, 8, 10],
       [ 6, 7, 8, 12, 14, 16]])

垂直组合

[python] view plain copy

print ?

1. >>> vstack((a, b))  
2. array([[ 0, 1, 2],  
3.        [ 3, 4, 5],  
4.        [ 6, 7, 8],   
5.        [ 0, 2, 4],  
6.        [ 6, 8, 10],  
7.        [12, 14, 16]])  

>>> vstack((a, b))
array([[ 0, 1, 2],
       [ 3, 4, 5],
       [ 6, 7, 8], 
       [ 0, 2, 4],
       [ 6, 8, 10],
       [12, 14, 16]])

同样，可通过concatenate函数，并指定相应的轴来获得这一效果。

[python] view plain copy

print ?

1. >>> concatenate((a, b), axis=0)  
2. array([[ 0, 1, 2],  
3.        [ 3, 4, 5],  
4.        [ 6, 7, 8],  
5.        [ 0, 2, 4],  
6.        [ 6, 8, 10],  
7.        [12, 14, 16]])  

>>> concatenate((a, b), axis=0)
array([[ 0, 1, 2],
       [ 3, 4, 5],
       [ 6, 7, 8],
       [ 0, 2, 4],
       [ 6, 8, 10],
       [12, 14, 16]])

深度组合

另外，还有深度方面的组合函数dstack。顾名思义，就是在数组的第三个轴（即深度）上组合。如下：

[python] view plain copy

print ?

1. >>> dstack((a, b))  
2. array([[[ 0, 0],  
3.         [ 1, 2],  
4.         [ 2, 4]],  
5.   
6.        [[ 3, 6],  
7.         [ 4, 8],  
8.         [ 5, 10]],  
9.   
10.        [[ 6, 12],  
11.         [ 7, 14],  
12.         [ 8, 16]]])  

>>> dstack((a, b))
array([[[ 0, 0],
        [ 1, 2],
        [ 2, 4]],

       [[ 3, 6],
        [ 4, 8],
        [ 5, 10]],

       [[ 6, 12],
        [ 7, 14],
        [ 8, 16]]])

仔细观察，发现对应的元素都组合成一个新的列表，该列表作为新的数组的元素。

行组合

行组合可将多个一维数组作为新数组的每一行进行组合：

[python] view plain copy

print ?

1. >>> one = arange(2)  
2. >>> one  
3. array([0, 1])  
4. >>> two = one + 2  
5. >>> two  
6. array([2, 3])  
7. >>> row_stack((one, two))  
8. array([[0, 1],  
9.        [2, 3]])  

>>> one = arange(2)
>>> one
array([0, 1])
>>> two = one + 2
>>> two
array([2, 3])
>>> row_stack((one, two))
array([[0, 1],
       [2, 3]])

对于2维数组，其作用就像垂直组合一样。

列组合

列组合的效果应该很清楚了。如下：

[python] view plain copy

print ?

1. >>> column_stack((oned, twiceoned))  
2. array([[0, 2],  
3.        [1, 3]])  

>>> column_stack((oned, twiceoned))
array([[0, 2],
       [1, 3]])

对于2维数组，其作用就像水平组合一样。

分割数组

在NumPy中，分割数组的函数有hsplit、vsplit、dsplit和split。可将数组分割成相同大小的子数组，或指定原数组分割的位置。

水平分割

[python] view plain copy

print ?

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

>>> a = arange(9).reshape(3,3)
>>> a
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])
>>> hsplit(a, 3)
[array([[0],
       [3],
       [6]]),
 array([[1],
       [4],
       [7]]),
 array([[2],
       [5],
       [8]])]

也调用split函数并指定轴为1来获得这样的效果：

[python] view plain copy

print ?

1. split(a, 3, axis=1)  

split(a, 3, axis=1)

垂直分割

垂直分割是沿着垂直的轴切分数组：

[python] view plain copy

print ?

1. >>> vsplit(a, 3)  
2. >>> [array([[0, 1, 2]]), array([[3, 4, 5]]), array([[6, 7, 8]])]  

>>> vsplit(a, 3)
>>> [array([[0, 1, 2]]), array([[3, 4, 5]]), array([[6, 7, 8]])]

同样，也可通过solit函数并指定轴为1来获得这样的效果：

[python] view plain copy

print ?

1. >>> split(a, 3, axis=0)  

>>> split(a, 3, axis=0)

面向深度的分割

dsplit函数使用的是面向深度的分割方式：

[python] view plain copy

print ?

1. >>> c = arange(27).reshape(3, 3, 3)  
2. >>> c  
3. array([[[ 0,  1,  2],  
4.         [ 3,  4,  5],  
5.         [ 6,  7,  8]],  
6.   
7.        [[ 9, 10, 11],  
8.         [12, 13, 14],  
9.         [15, 16, 17]],  
10.   
11.        [[18, 19, 20],  
12.         [21, 22, 23],  
13.         [24, 25, 26]]])  
14. >>> dsplit(c, 3)  
15. [array([[[ 0],  
16.         [ 3],  
17.         [ 6]],  
18.   
19.        [[ 9],  
20.         [12],  
21.         [15]],  
22.   
23.        [[18],  
24.         [21],  
25.         [24]]]),  
26.  array([[[ 1],  
27.         [ 4],  
28.         [ 7]],  
29.   
30.        [[10],  
31.         [13],  
32.         [16]],  
33.   
34.        [[19],  
35.         [22],  
36.         [25]]]),  
37.  array([[[ 2],  
38.         [ 5],  
39.         [ 8]],  
40.   
41.        [[11],  
42.         [14],  
43.         [17]],  
44.   
45.        [[20],  
46.         [23],  
47.         [26]]])]  

>>> c = arange(27).reshape(3, 3, 3)
>>> c
array([[[ 0,  1,  2],
        [ 3,  4,  5],
        [ 6,  7,  8]],

       [[ 9, 10, 11],
        [12, 13, 14],
        [15, 16, 17]],

       [[18, 19, 20],
        [21, 22, 23],
        [24, 25, 26]]])
>>> dsplit(c, 3)
[array([[[ 0],
        [ 3],
        [ 6]],

       [[ 9],
        [12],
        [15]],

       [[18],
        [21],
        [24]]]),
 array([[[ 1],
        [ 4],
        [ 7]],

       [[10],
        [13],
        [16]],

       [[19],
        [22],
        [25]]]),
 array([[[ 2],
        [ 5],
        [ 8]],

       [[11],
        [14],
        [17]],

       [[20],
        [23],
        [26]]])]

复制和镜像（View）

　　　当运算和处理数组时，它们的数据有时被拷贝到新的数组有时不是。这通常是新手的困惑之源。这有三种情况:

完全不复制

　　　简单的赋值，而不复制数组对象或它们的数据。

[python] view plain copy

print ?

1. >>> a = arange(12)  
2. >>> b = a      #不创建新对象  
3. >>> b is a           # a和b是同一个数组对象的两个名字  
4. True  
5. >>> b.shape = 3,4    #也改变了a的形状  
6. >>> a.shape  
7. (3, 4)  

>>> a = arange(12)
>>> b = a      #不创建新对象
>>> b is a           # a和b是同一个数组对象的两个名字
True
>>> b.shape = 3,4    #也改变了a的形状
>>> a.shape
(3, 4)

 　　　Python 传递不定对象作为参考4，所以函数调用不拷贝数组。

[python] view plain copy

print ?

1. >>> def f(x):  
2. …     print id(x)  
3. …  
4. >>> id(a)       #id是一个对象的唯一标识  
5. 148293216  
6. >>> f(a)  
7. 148293216  

>>> def f(x):
...     print id(x)
...
>>> id(a)       #id是一个对象的唯一标识
148293216
>>> f(a)
148293216

视图(view)和浅复制

　　　不同的数组对象分享同一个数据。视图方法创造一个新的数组对象指向同一数据。

[python] view plain copy

print ?

1. >>> c = a.view()  
2. >>> c is a  
3. False  
4. >>> c.base is a      #c是a持有数据的镜像  
5. True  
6. >>> c.flags.owndata  
7. False  
8. >>>  
9. >>> c.shape = 2,6    # a的形状没变  
10. >>> a.shape  
11. (3, 4)  
12. >>> c[0,4] = 1234        #a的数据改变了  
13. >>> a  
14. array([[   0,    1,    2,    3],  
15.        [1234,    5,    6,    7],  
16.        [   8,    9,   10,   11]])  

>>> c = a.view()
>>> c is a
False
>>> c.base is a      #c是a持有数据的镜像
True
>>> c.flags.owndata
False
>>>
>>> c.shape = 2,6    # a的形状没变
>>> a.shape
(3, 4)
>>> c[0,4] = 1234        #a的数据改变了
>>> a
array([[   0,    1,    2,    3],
       [1234,    5,    6,    7],
       [   8,    9,   10,   11]])

切片数组返回它的一个视图：

[python] view plain copy

print ?

1. >>> s = a[ : , 1:3]     # 获得每一行1，2处的元素  
2. >>> s[:] = 10           # s[:] 是s的镜像。注意区别s=10 and s[:]=10  
3. >>> a  
4. array([[   0,   10,   10,    3],  
5.        [1234,   10,   10,    7],  
6.        [   8,   10,   10,   11]])  

>>> s = a[ : , 1:3]     # 获得每一行1，2处的元素
>>> s[:] = 10           # s[:] 是s的镜像。注意区别s=10 and s[:]=10
>>> a
array([[   0,   10,   10,    3],
       [1234,   10,   10,    7],
       [   8,   10,   10,   11]])

深复制

 　　这个复制方法完全复制数组和它的数据。

[python] view plain copy

print ?

1. >>> d = a.copy()       #创建了一个含有新数据的新数组对象  
2. >>> d is a  
3. False  
4. >>> d.base is a        #d和a现在没有任何关系  
5. False  
6. >>> d[0,0] = 9999  
7. >>> a  
8. array([[   0,   10,   10,    3],  
9.        [1234,   10,   10,    7],  
10.        [   8,   10,   10,   11]])  

>>> d = a.copy()       #创建了一个含有新数据的新数组对象
>>> d is a
False
>>> d.base is a        #d和a现在没有任何关系
False
>>> d[0,0] = 9999
>>> a
array([[   0,   10,   10,    3],
       [1234,   10,   10,    7],
       [   8,   10,   10,   11]])

参考文献：

《Python科学计算》
《Tentative NumPy Tutorial》
《NumPy for Beginner》

前两篇文章对NumPy数组做了基本的介绍，本篇文章对NumPy数组进行较深入的探讨。首先介绍自定义类型的数组，接着数组的组合，最后介绍数组复制方面的问题。

自定义结构数组

通过NumPy也可以定义像C语言那样的结构类型。在NumPy中定义结构的方法如下：

定义结构类型名称；定义字段名称，标明字段数据类型。

[python] view plain copy

print ?

1. student= dtype({‘names’:[‘name’, ‘age’, ‘weight’], ‘formats’:[‘S32’, ‘i’,‘f’]}, align = True)  

student= dtype({'names':['name', 'age', 'weight'], 'formats':['S32', 'i','f']}, align = True)

这里student是自定义结构类型的名称，使用dtype函数创建，在第一个参数中，’names’和’formats’不能改变，names中列出的是结构中字段名称，formats中列出的是对应字段的数据类型。S32表示32字节长度的字符串，i表示32位的整数，f表示32位长度的浮点数。最后一个参数为True时，表示要求进行内存对齐。

字段中使用NumPy的字符编码来表示数据类型。更详细的数据类型见下表。

数据类型	字符编码
整数	i
无符号整数	u
单精度浮点数	f
双精度浮点数	d
布尔值	b
复数	D
字符串	S
Unicode	U
Void	V

在定义好结构类型之后，就可以定义以该类型为元素的数组了：

[python] view plain copy

print ?

1. a= array([(“Zhang”, 32, 65.5), (“Wang”, 24, 55.2)], dtype =student)  

a= array([(“Zhang”, 32, 65.5), (“Wang”, 24, 55.2)], dtype =student)

除了在每个元素中依次列出对应字段的数据外，还需要在array函数中最后一个参数指定其所对应的数据类型。

注：例子来源于张若愚的Python科学计算艺术的29页。更多关于dtype的内容请参考《NumPy for Beginner》一书的第二章。

组合函数

这里介绍以不同的方式组合函数。首先创建两个数组：

[python] view plain copy

print ?

1. >>> a = arange(9).reshape(3,3)  
2. >>> a  
3. array([[0, 1, 2],  
4.            [3, 4, 5],  
5.            [6, 7, 8]])  
6. >>> b = 2 * a  
7. >>> b  
8. array([[ 0, 2, 4],  
9.        [ 6, 8, 10],  
10.        [12, 14, 16]])  

>>> a = arange(9).reshape(3,3)
>>> a
array([[0, 1, 2],
           [3, 4, 5],
           [6, 7, 8]])
>>> b = 2 * a
>>> b
array([[ 0, 2, 4],
       [ 6, 8, 10],
       [12, 14, 16]])

水平组合

[python] view plain copy

print ?

1. >>> hstack((a, b))  
2. array([[ 0, 1, 2, 0, 2, 4],  
3.        [ 3, 4, 5, 6, 8, 10],  
4.        [ 6, 7, 8, 12, 14, 16]])  

>>> hstack((a, b))
array([[ 0, 1, 2, 0, 2, 4],
       [ 3, 4, 5, 6, 8, 10],
       [ 6, 7, 8, 12, 14, 16]])

也可通过concatenate函数 并指定相应的轴来获得这一效果：

[python] view plain copy

print ?

1. >>> concatenate((a, b), axis=1)  
2. array([[ 0, 1, 2, 0, 2, 4],  
3.        [ 3, 4, 5, 6, 8, 10],  
4.        [ 6, 7, 8, 12, 14, 16]])  

>>> concatenate((a, b), axis=1)
array([[ 0, 1, 2, 0, 2, 4],
       [ 3, 4, 5, 6, 8, 10],
       [ 6, 7, 8, 12, 14, 16]])

垂直组合

[python] view plain copy

print ?

1. >>> vstack((a, b))  
2. array([[ 0, 1, 2],  
3.        [ 3, 4, 5],  
4.        [ 6, 7, 8],   
5.        [ 0, 2, 4],  
6.        [ 6, 8, 10],  
7.        [12, 14, 16]])  

>>> vstack((a, b))
array([[ 0, 1, 2],
       [ 3, 4, 5],
       [ 6, 7, 8], 
       [ 0, 2, 4],
       [ 6, 8, 10],
       [12, 14, 16]])

同样，可通过concatenate函数，并指定相应的轴来获得这一效果。

[python] view plain copy

print ?

1. >>> concatenate((a, b), axis=0)  
2. array([[ 0, 1, 2],  
3.        [ 3, 4, 5],  
4.        [ 6, 7, 8],  
5.        [ 0, 2, 4],  
6.        [ 6, 8, 10],  
7.        [12, 14, 16]])  

>>> concatenate((a, b), axis=0)
array([[ 0, 1, 2],
       [ 3, 4, 5],
       [ 6, 7, 8],
       [ 0, 2, 4],
       [ 6, 8, 10],
       [12, 14, 16]])

深度组合

另外，还有深度方面的组合函数dstack。顾名思义，就是在数组的第三个轴（即深度）上组合。如下：

[python] view plain copy

print ?

1. >>> dstack((a, b))  
2. array([[[ 0, 0],  
3.         [ 1, 2],  
4.         [ 2, 4]],  
5.   
6.        [[ 3, 6],  
7.         [ 4, 8],  
8.         [ 5, 10]],  
9.   
10.        [[ 6, 12],  
11.         [ 7, 14],  
12.         [ 8, 16]]])  

>>> dstack((a, b))
array([[[ 0, 0],
        [ 1, 2],
        [ 2, 4]],

       [[ 3, 6],
        [ 4, 8],
        [ 5, 10]],

       [[ 6, 12],
        [ 7, 14],
        [ 8, 16]]])

仔细观察，发现对应的元素都组合成一个新的列表，该列表作为新的数组的元素。

行组合

行组合可将多个一维数组作为新数组的每一行进行组合：

[python] view plain copy

print ?

1. >>> one = arange(2)  
2. >>> one  
3. array([0, 1])  
4. >>> two = one + 2  
5. >>> two  
6. array([2, 3])  
7. >>> row_stack((one, two))  
8. array([[0, 1],  
9.        [2, 3]])  

>>> one = arange(2)
>>> one
array([0, 1])
>>> two = one + 2
>>> two
array([2, 3])
>>> row_stack((one, two))
array([[0, 1],
       [2, 3]])

对于2维数组，其作用就像垂直组合一样。

列组合

列组合的效果应该很清楚了。如下：

[python] view plain copy

print ?

1. >>> column_stack((oned, twiceoned))  
2. array([[0, 2],  
3.        [1, 3]])  

>>> column_stack((oned, twiceoned))
array([[0, 2],
       [1, 3]])

对于2维数组，其作用就像水平组合一样。

分割数组

在NumPy中，分割数组的函数有hsplit、vsplit、dsplit和split。可将数组分割成相同大小的子数组，或指定原数组分割的位置。

水平分割

[python] view plain copy

print ?

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

>>> a = arange(9).reshape(3,3)
>>> a
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])
>>> hsplit(a, 3)
[array([[0],
       [3],
       [6]]),
 array([[1],
       [4],
       [7]]),
 array([[2],
       [5],
       [8]])]

也调用split函数并指定轴为1来获得这样的效果：

[python] view plain copy

print ?

1. split(a, 3, axis=1)  

split(a, 3, axis=1)

垂直分割

垂直分割是沿着垂直的轴切分数组：

[python] view plain copy

print ?

1. >>> vsplit(a, 3)  
2. >>> [array([[0, 1, 2]]), array([[3, 4, 5]]), array([[6, 7, 8]])]  

>>> vsplit(a, 3)
>>> [array([[0, 1, 2]]), array([[3, 4, 5]]), array([[6, 7, 8]])]

同样，也可通过solit函数并指定轴为1来获得这样的效果：

[python] view plain copy

print ?

1. >>> split(a, 3, axis=0)  

>>> split(a, 3, axis=0)

面向深度的分割

dsplit函数使用的是面向深度的分割方式：

[python] view plain copy

print ?

1. >>> c = arange(27).reshape(3, 3, 3)  
2. >>> c  
3. array([[[ 0,  1,  2],  
4.         [ 3,  4,  5],  
5.         [ 6,  7,  8]],  
6.   
7.        [[ 9, 10, 11],  
8.         [12, 13, 14],  
9.         [15, 16, 17]],  
10.   
11.        [[18, 19, 20],  
12.         [21, 22, 23],  
13.         [24, 25, 26]]])  
14. >>> dsplit(c, 3)  
15. [array([[[ 0],  
16.         [ 3],  
17.         [ 6]],  
18.   
19.        [[ 9],  
20.         [12],  
21.         [15]],  
22.   
23.        [[18],  
24.         [21],  
25.         [24]]]),  
26.  array([[[ 1],  
27.         [ 4],  
28.         [ 7]],  
29.   
30.        [[10],  
31.         [13],  
32.         [16]],  
33.   
34.        [[19],  
35.         [22],  
36.         [25]]]),  
37.  array([[[ 2],  
38.         [ 5],  
39.         [ 8]],  
40.   
41.        [[11],  
42.         [14],  
43.         [17]],  
44.   
45.        [[20],  
46.         [23],  
47.         [26]]])]  

>>> c = arange(27).reshape(3, 3, 3)
>>> c
array([[[ 0,  1,  2],
        [ 3,  4,  5],
        [ 6,  7,  8]],

       [[ 9, 10, 11],
        [12, 13, 14],
        [15, 16, 17]],

       [[18, 19, 20],
        [21, 22, 23],
        [24, 25, 26]]])
>>> dsplit(c, 3)
[array([[[ 0],
        [ 3],
        [ 6]],

       [[ 9],
        [12],
        [15]],

       [[18],
        [21],
        [24]]]),
 array([[[ 1],
        [ 4],
        [ 7]],

       [[10],
        [13],
        [16]],

       [[19],
        [22],
        [25]]]),
 array([[[ 2],
        [ 5],
        [ 8]],

       [[11],
        [14],
        [17]],

       [[20],
        [23],
        [26]]])]

复制和镜像（View）

　　　当运算和处理数组时，它们的数据有时被拷贝到新的数组有时不是。这通常是新手的困惑之源。这有三种情况:

完全不复制

　　　简单的赋值，而不复制数组对象或它们的数据。

[python] view plain copy

print ?

1. >>> a = arange(12)  
2. >>> b = a      #不创建新对象  
3. >>> b is a           # a和b是同一个数组对象的两个名字  
4. True  
5. >>> b.shape = 3,4    #也改变了a的形状  
6. >>> a.shape  
7. (3, 4)  

>>> a = arange(12)
>>> b = a      #不创建新对象
>>> b is a           # a和b是同一个数组对象的两个名字
True
>>> b.shape = 3,4    #也改变了a的形状
>>> a.shape
(3, 4)

 　　　Python 传递不定对象作为参考4，所以函数调用不拷贝数组。

[python] view plain copy

print ?

1. >>> def f(x):  
2. …     print id(x)  
3. …  
4. >>> id(a)       #id是一个对象的唯一标识  
5. 148293216  
6. >>> f(a)  
7. 148293216  

>>> def f(x):
...     print id(x)
...
>>> id(a)       #id是一个对象的唯一标识
148293216
>>> f(a)
148293216

视图(view)和浅复制

　　　不同的数组对象分享同一个数据。视图方法创造一个新的数组对象指向同一数据。

[python] view plain copy

print ?

1. >>> c = a.view()  
2. >>> c is a  
3. False  
4. >>> c.base is a      #c是a持有数据的镜像  
5. True  
6. >>> c.flags.owndata  
7. False  
8. >>>  
9. >>> c.shape = 2,6    # a的形状没变  
10. >>> a.shape  
11. (3, 4)  
12. >>> c[0,4] = 1234        #a的数据改变了  
13. >>> a  
14. array([[   0,    1,    2,    3],  
15.        [1234,    5,    6,    7],  
16.        [   8,    9,   10,   11]])  

>>> c = a.view()
>>> c is a
False
>>> c.base is a      #c是a持有数据的镜像
True
>>> c.flags.owndata
False
>>>
>>> c.shape = 2,6    # a的形状没变
>>> a.shape
(3, 4)
>>> c[0,4] = 1234        #a的数据改变了
>>> a
array([[   0,    1,    2,    3],
       [1234,    5,    6,    7],
       [   8,    9,   10,   11]])

切片数组返回它的一个视图：

[python] view plain copy

print ?

1. >>> s = a[ : , 1:3]     # 获得每一行1，2处的元素  
2. >>> s[:] = 10           # s[:] 是s的镜像。注意区别s=10 and s[:]=10  
3. >>> a  
4. array([[   0,   10,   10,    3],  
5.        [1234,   10,   10,    7],  
6.        [   8,   10,   10,   11]])  

>>> s = a[ : , 1:3]     # 获得每一行1，2处的元素
>>> s[:] = 10           # s[:] 是s的镜像。注意区别s=10 and s[:]=10
>>> a
array([[   0,   10,   10,    3],
       [1234,   10,   10,    7],
       [   8,   10,   10,   11]])

深复制

 　　这个复制方法完全复制数组和它的数据。

[python] view plain copy

print ?

1. >>> d = a.copy()       #创建了一个含有新数据的新数组对象  
2. >>> d is a  
3. False  
4. >>> d.base is a        #d和a现在没有任何关系  
5. False  
6. >>> d[0,0] = 9999  
7. >>> a  
8. array([[   0,   10,   10,    3],  
9.        [1234,   10,   10,    7],  
10.        [   8,   10,   10,   11]])  

>>> d = a.copy()       #创建了一个含有新数据的新数组对象
>>> d is a
False
>>> d.base is a        #d和a现在没有任何关系
False
>>> d[0,0] = 9999
>>> a
array([[   0,   10,   10,    3],
       [1234,   10,   10,    7],
       [   8,   10,   10,   11]])

参考文献：

《Python科学计算》
《Tentative NumPy Tutorial》
《NumPy for Beginner》