Python：理解引用

我理解基本的python引用，比如a+=b和a=a+b之间的区别，但这让我感到困惑

import numpy as np
arr1 = np.arange(6).reshape(2,3)
arr2 = arr1[0]
arr2 is arr1[0] #returns False, when I expect True
arr1[0] = [7,8,9]
arr2 #[7,8,9], when I expect [0,1,2] since the 'is' returned False

---

这是怎么回事？

您混淆了

是
、
=
和
=
运算符


is
进行身份检查。使用它可以查看两个变量是否实际指向同一对象，而不仅仅是具有相同的值
=
是赋值运算符。它为变量（或切片，如您的情况）赋值
=
是相等运算符。它检查两个对象是否具有相同的语义值

因此，在你的情况下：

arr2 == arr[0] # now should return True

从数组中读取值时，Numpy似乎会创建新对象。因此，每次阅读时，都会创建一个新对象。因此，两次读取生成的对象不相同，因此，
is
会给出
False
。
为numpy数组编制索引时，会创建一个新视图（它本身就是一个numpy数组）。这是一个不同的对象，因此
是
失败的，但它是硬件内存中同一块内存的视图。因此，当您修改该视图时，您将修改可能存在另一个视图的内存位

编辑：通过检查数组的
ctypes.data
属性，实际上可以看到与numpy数组关联的内存的起始地址

In [1]: import numpy as np

In [2]: arr1 = np.arange(6).reshape(2,3)

In [3]: arr2 = arr1[0]

In [4]: arr2.ctypes.data
Out[4]: 39390224

In [5]: arr1[0].ctypes.data
Out[5]: 39390224

同样的

>>> arr1 = np.arange(6).reshape(2,3)
>>> arr1
array([[0, 1, 2],
       [3, 4, 5]])
>>> arr2 = arr1[0]
>>> arr2
array([0, 1, 2])

所以是的，
arr1[0]
和
arr2
是相等的。但是,

>>> arr2 is arr1[0]
False

因为它不是比较nArray的工具。使用
is
，检查
arr1[0]
和
arr2
是否为同一对象，而不是同一对象。尝试使用
==
，您将获得

>>> arr2 == arr1[0]
array([ True,  True,  True], dtype=bool)

或者使用
numpy.equal（t1，t2）

然后，您希望对等式测试有一个布尔答案，请执行以下操作：

>>> (np.equal(arr2, arr1[0])).all()
True

如果需要检查两个numpy数组是否指向相同的数据，请使用
base
属性。从你的例子来看：

>>> arr1 = np.arange(6).reshape(2,3)
>>> arr2 = arr1[0]
>>> arr1
array([[0, 1, 2],
       [3, 4, 5]])
>>> arr1.base # arr1 is a view of the array before reshaping!
array([0, 1, 2, 3, 4, 5])
>>> arr2.base
array([[0, 1, 2],
       [3, 4, 5]])
>>> arr2.base is arr1
True

从numpy 1.7
base开始
一直深入到原始阵列。从发行说明中：

Ndarray上的
.base
属性，用于视图以确保
现在，拥有内存的底层阵列不会过早释放
拥有“视图对视图”时折叠参照。例如：

在numpy 1.6中，
c.base
是
b
，
c.base.base
是
a
。在numpy 1.7中，
c.base
是
a

“is”运算符比较两个对象的标识；函数的作用是：返回一个表示其标识的整数（当前实现为其地址）


比如,

a = 1, b = 1
a is b
Out[26]:True

id(a)
Out[27]:37470472L

id(b)
Out[27]:37470472L

id(1)
Out[27]:37470472L

这三个人都有相同的身份。但是,

a = [1]
b = [1]
a is b
Out[26]:False

id(a)
Out[37]:142781064L

id(b)
Out[38]:142780616L

因此，在数组中也会发生同样的事情。他们没有相同的身份。
这似乎是努比的一些有趣的阴谋。正常的列表会像你期望的那样工作。这是一种要求。Numpy数组在概念上只是内存块。可能会将实际整数值存储在相同的内存位中，但当不可变的int通过写入
arr1[0]
@HenryGomersall
arr1[0]
和
arr2
而发生变异时，就会造成大破坏。@delnan是的，我刚刚注意到（干杯！）。。。所以
arr1[0]
是一个内存位视图，而不是内存位本身。执行
arr1[0]
操作时，将创建相同内存位的新视图。这意味着
is
失败，但您可以通过每个视图修改相同的内存块。这并不能解释为什么
arr2
稍后在分配给
arr1
时会发生更改。这可能是正确的，但我们可以获得一些详细信息吗？例如，实际执行此操作的numpy代码块？我似乎无法在Source中找到它，但这就是numpy数组——定义良好的内存块。本质上，numpy是一个非常低级的pythonic接口。我说的是视图的创建-这些不只是Python对象吗？@voithos当然。你的问题是为什么相同内存的新视图是不同的对象？这是唯一明智的做法。numpy的工作并不是缓存所有创建的视图，以免用户再次想要相同的精确对象，但缺乏将其写入代码的远见。只是澄清最后一条评论。将创建的数组分配给新变量意味着新变量是同一对象。因此
arr3=arr1
后跟
arr3是arr1
将返回
True
。当创建新视图（通过索引现有数组）时，就会创建一个新对象。有趣的是，实际上可以通过检查对象的
id（）
来愚弄自己，就像我昨天在玩这个问题时发生的一样。如果检查视图的id（使用
id（arr1[0]）
），然后分配
arr2=arr1[0]
，并检查其id（使用
id（arr2）
），则这些id很可能是相同的。创建了
arr1[0]
，找到了它的id，然后它立即超出范围，因此可以将内存（这是CPython分配id的方式）重新分配给新对象。我认为您应该只比较作用域中对象的ID。
a = 1, b = 1
a is b
Out[26]:True

id(a)
Out[27]:37470472L

id(b)
Out[27]:37470472L

id(1)
Out[27]:37470472L

a = [1]
b = [1]
a is b
Out[26]:False

id(a)
Out[37]:142781064L

id(b)
Out[38]:142780616L