NumPy中array_2=array_1与array_2=array_1.view()的区别是什么

核心是两种赋值的底层逻辑完全不同：

• 直接赋值 array_2 = array_1：属于对象引用绑定，两个变量指向完全相同的数组对象，共享所有属性和数据存储空间。
• 视图赋值 array_2 = array_1.view()：会创建全新的数组对象，但新数组和原数组共享底层的数据缓冲区，数组自身的属性（维度、数据类型等）独立。

实操示例 #

场景1：直接赋值的效果 #

import numpy as np

# 初始化原数组
array_1 = np.array([1,2,3,4,5])
# 直接赋值
array_2 = array_1

print(f"修改前array_1: {array_1}")
print(f"修改前array_2: {array_2}")
print(f"是否为同一个对象: {array_2 is array_1}")
print(f"是否共享内存数据: {np.shares_memory(array_1, array_2)}")

# 修改array_2的元素值
array_2[0] = 100
print(f"\n修改array_2元素后array_1: {array_1}")
print(f"修改array_2元素后array_2: {array_2}")

# 修改array_2的维度
array_2.shape = (5,1)
print(f"\n修改array_2维度后array_1的shape: {array_1.shape}")
print(f"修改array_2维度后array_2的shape: {array_2.shape}")

运行输出结果：

• 修改前array_1: [1 2 3 4 5]
• 修改前array_2: [1 2 3 4 5]
• 是否为同一个对象: True
• 是否共享内存数据: True
• 修改array_2元素后array_1: [100 2 3 4 5]
• 修改array_2元素后array_2: [100 2 3 4 5]
• 修改array_2维度后array_1的shape: (5, 1)
• 修改array_2维度后array_2的shape: (5, 1)
  可见直接赋值场景下，修改array_2的任意内容和属性都会同步影响原数组array_1。

场景2：view()创建视图的效果 #

import numpy as np

# 初始化原数组
array_1 = np.array([1,2,3,4,5])
# 创建视图
array_2 = array_1.view()

print(f"修改前array_1: {array_1}")
print(f"修改前array_2: {array_2}")
print(f"是否为同一个对象: {array_2 is array_1}")
print(f"是否共享内存数据: {np.shares_memory(array_1, array_2)}")

# 修改array_2的元素值
array_2[0] = 100
print(f"\n修改array_2元素后array_1: {array_1}")
print(f"修改array_2元素后array_2: {array_2}")

# 修改array_2的维度
array_2.shape = (5,1)
print(f"\n修改array_2维度后array_1的shape: {array_1.shape}")
print(f"修改array_2维度后array_2的shape: {array_2.shape}")

运行输出结果：

• 修改前array_1: [1 2 3 4 5]
• 修改前array_2: [1 2 3 4 5]
• 是否为同一个对象: False
• 是否共享内存数据: True
• 修改array_2元素后array_1: [100 2 3 4 5]
• 修改array_2元素后array_2: [100 2 3 4 5]
• 修改array_2维度后array_1的shape: (5,)
• 修改array_2维度后array_2的shape: (5, 1)
  可见视图赋值场景下，修改array_2的元素值会同步影响原数组，但修改array_2自身的属性不会对原数组产生任何影响。

核心区别汇总 #

内容的提问来源于stack exchange，提问作者user17495296