Numpy reshape方法是否会复制数据？非连续内存场景规则是什么

官方说明的含义 #

注意：要实现重塑（即reshape操作），原始数组的大小必须与重塑后数组的大小一致。reshape方法会尽可能返回原始数组的无拷贝视图（no-copy view），但如果原始数组的内存缓冲区是非连续（noncontiguous）的，就不总能做到这一点。

这段说明的核心逻辑是：reshape操作本质是修改数组的shape（维度）和strides（每个维度相邻元素的内存步长）属性，如果仅修改这两个属性就能得到符合要求的新数组，就会返回无拷贝的视图，和原数组共享内存；如果修改步长也无法匹配目标维度的存储顺序，就必须重新排列元素、创建新的内存缓冲区，也就是生成拷贝。

如果原数组本身内存是非连续的，可调整的步长范围会受到很大限制，因此很多时候无法仅通过修改属性完成reshape，只能创建拷贝。

reshape创建拷贝的实际示例 #

我们可以用转置生成非连续数组的场景来复现拷贝行为：

import numpy as np

# 第一步：创建一个连续的2D数组，默认是C连续（行优先存储）
arr = np.arange(6).reshape(2,3)
print("原数组是否连续：", arr.flags.c_contiguous) # 输出 True

# 第二步：转置得到非连续数组，转置仅修改步长，不修改内存存储顺序
arr_transpose = arr.T
print("转置后数组是否连续：", arr_transpose.flags.c_contiguous) # 输出 False

# 第三步：对非连续的转置数组做reshape，拉平为1D数组
arr_reshaped = arr_transpose.reshape(-1)

# 验证是否为拷贝：修改reshape后的数组，查看原数组是否变化
arr_reshaped[0] = 999
print("修改reshape结果后的原数组：\n", arr)
# 输出的原数组第一个元素还是0，没有变成999，说明reshape生成了拷贝，两者内存不共享
# 也可以直接用np.shares_memory验证：
print("是否共享内存：", np.shares_memory(arr_transpose, arr_reshaped)) # 输出 False

判定规则 #

不会创建拷贝（返回视图）的场景 #

只要满足：目标shape对应的步长，可通过原数组的步长和存储顺序（C/ Fortran连续）直接推导得到，不需要调整元素的存储顺序，就会返回视图：

• 原数组是C连续，reshape时使用默认order='C'参数，绝大多数情况都返回视图
• 原数组是Fortran连续，reshape时指定order='F'参数，也大概率返回视图
• 可以通过arr_reshape.base is arr_original或者np.shares_memory(arr_reshape, arr_original)直接验证是否为视图

会创建拷贝的场景 #

只要无法仅通过调整步长得到目标shape的数组，就会触发拷贝，常见场景包括：

• 原数组内存非连续，且目标shape的步长和原数组步长无法匹配（比如上面的转置后拉平的场景）
• 显式指定了和原数组存储顺序不匹配的order参数：比如原数组是C连续，reshape时指定order='F'，大概率会生成拷贝
• 原数组的元素存储存在对齐问题，无法满足新shape的内存对齐要求（比较少见）

内容的提问来源于stack exchange，提问作者peter.petrov