Python3 Numpy何时返回引用而非副本？技术规则问询

问题场景 #

在使用NumPy时遇到了意外的引用行为，执行代码如下：

>>> import numpy as np
>>> X=np.array([[1,5],[2,4],[3,6]])
>>> X
array([[1, 5],
       [2, 4],
       [3, 6]]) # Perfecto
>>> a=X[:,0]
>>> a
array([1, 2, 3])  # Exactly
>>> X
array([[1, 5],
       [2, 4],
       [3, 6]]) #Yup
>>> a[0]=999
>>> a
array([999,   2,   3]) # :)  
>>> X
array([[999,   5],
       [  2,   4],
       [  3,   6]]) # Errrrr, Huh?  
#OK, Fine.
>>> b=np.matrix(X[:,1])
>>> b
matrix([[5, 4, 6]])
>>> b[0]=666
>>> X
array([[1, 5],
       [2, 4],
       [3, 6]]) # That's what I wanted

原本预期Python会隐式返回副本，结果得到原数组的引用，作为C程序员，需要了解Python库中返回引用（视图）的通用判断准则。

通用判断准则 #

• NumPy的核心设计：视图优先
  NumPy默认以**视图（共享底层数据）**返回切片结果，目的是避免不必要的内存复制，提升大数组处理的性能。只有当操作无法通过视图实现时，才会生成副本。

• 具体判断规则

  1. 基本切片操作：连续切片（如X[:,0]）、固定步长切片返回的是视图，修改视图会同步修改原数组。
  2. 高级索引操作：布尔索引（如X[X>3]）、整数索引（如X[[0,2]]）会返回副本，修改副本不影响原数组。
  3. 显式复制触发：调用arr.copy()、np.copy(arr)可以强制生成副本；np.matrix()构造新矩阵时，由于数组与矩阵的内部存储结构差异，会自动生成副本。
  4. 验证工具：使用np.shares_memory(a, X)可以检查两个对象是否共享底层数据，返回True则为视图，False则为副本。

• C程序员的思维转换
  不同于C++容器默认的“值语义”，NumPy更偏向“引用语义”的视图设计。如果需要确保获取的是独立副本，不要依赖隐式行为，**显式调用copy()**是最可靠的方式。

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