Numpy切片与Python列表切片行为差异及底层原理问询

Python列表的切片机制 #

Python列表本质是存储Python对象引用的数组，本身不直接持有数据值，仅持有指向各个数据对象的指针。
当你执行[:]切片操作时：

• 会生成一个全新的列表对象，所以你看到a和b的id不同
• 新列表会复制原列表里所有的引用指针，所以切片后a[0]和b[0]的id完全一致，指向同一个int对象
• 当你执行b[0] = -1时，本质是修改新列表第0位的引用指向，让它指向新的int对象-1，这个操作完全不涉及原列表的引用指针，所以原列表不会发生变化。

Numpy数组的切片机制 #

Numpy数组的核心是「连续同类型内存块 + 视图元信息」的结构：实际的数值全部存在一块独立的连续内存缓冲区里，数组对象本身仅持有这块缓冲区的引用，以及形状、步长、数据偏移量等元信息。
当你执行[:]切片操作时：

• 会生成一个全新的Numpy数组对象，所以你看到l和p的id不同
• 新数组不会复制底层的内存缓冲区，仅复制元信息，和原数组共享同一块底层数据内存
• 你观测到id(l[0])和id(p[0])不同，是因为单独取数组元素时，Numpy会把底层缓冲区的数值临时包装成Python标量对象返回，每次取值都会生成新的包装对象，这个id仅对应临时包装对象的地址，和底层数据的实际存储位置无关
• 当你执行p[0] = -1时，是直接修改共享的底层内存缓冲区里的数值，原数组l也指向同一块内存，所以会同步发生变化。

如果需要Numpy切片修改不影响原数组，主动调用copy()方法强制复制底层内存即可：p = l[:].copy()。

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