numpy ndarray diagonal()返回值与原数组关联但元素地址不同的疑问

我对以下代码的行为感到困惑：我有一个numpy ndarray类型的矩阵mat，通过mat.diagonal()获取它的对角线并赋值给变量diag。修改mat的所有对角线元素为100后，diag的值也同步变成100，这看起来diag是直接引用了mat中的元素。但检查diag[0]和mat[0][0]的内存地址时，二者却不相同。该如何正确理解这一现象？

测试代码 #

import numpy as np
import pandas as pd

mat_df = pd.DataFrame(data=[[1,2,3], [4,5,6], [7,8,9]])
print(mat_df)

mat = mat_df.values
diag = mat.diagonal()
print(diag)
diag_loc = np.diag_indices_from(mat)
mat[diag_loc] = 100
print(diag)

print(diag[0])
print(id(diag[0]))
print(mat[0][0])
print(id(mat[0][0]))

输出结果 #

mat初始状态：

0  1  2
0  1  2  3
1  4  5  6
2  7  8  9

初始diag：

[1 5 9]

修改mat后的diag：

[100 100 100]

元素与内存地址：

100
139863357577488
100
139863376059664

解答 #

1. diagonal()返回的是原数组的视图 #

numpy的diagonal()方法默认返回原数组的视图（View），它不会复制对角线元素的数据，只是通过特殊的索引映射指向原数组中对应的内存区域。你可以通过以下代码验证这一点：

print(diag.base is mat)  # 输出True，说明diag是mat的视图

正因如此，当原数组mat的对角线元素被修改时，diag作为视图会直接反映底层内存的变化，所以值会同步更新。

2. 单个元素访问会创建临时Python标量 #

当你用diag[0]或mat[0][0]获取单个元素时，numpy会从底层的连续内存中读取数值，然后**创建一个新的Python标量对象（比如int类型）**返回给你。每次访问都会生成新的标量对象，所以这两个100的内存地址不同，但它们的数值都来自原数组同一块内存区域的内容。

内容的提问来源于stack exchange，提问作者captain_willard