Python 引用numpy arrray而不创建昂贵的副本

假设我有一个函数，要求NumPy

ndarray

具有两个轴，例如，行和列的数据矩阵。如果从这样的数组中分割出一个“列”，那么这个函数也应该工作，因此为了方便起见，它应该执行一些内部

X[：，np.newaxis]

。但是，我不想为此创建一个新的数组对象，因为在某些情况下这可能会很昂贵

我想知道是否有一个好方法来做这件事。例如，下面的代码是否安全（我的意思是，全局数组是否总是像Python

list

s一样保持不变）

---

我这样问是因为我听说在某些情况下NumPy数组有时会被复制，但是，我找不到关于这方面的好资源。有什么想法吗

它不应该创建副本。举例说明：

>>> A = np.ones((50000000,))
>>> B = A[:,np.newaxis]
>>> B.flags
  C_CONTIGUOUS : False
  F_CONTIGUOUS : False
  OWNDATA : False
  WRITEABLE : True
  ALIGNED : True
  UPDATEIFCOPY : False

请注意

OWNDATA:False

-它正在与A共享数据

---

有关更多详细信息，请查看。基本规则是，除非使用索引数组（例如

a[[1,2,4]]

）或布尔数组（例如

a[[True，False，True]]

）进行索引，否则它不会创建副本。几乎所有其他内容都返回一个没有副本的视图。

它不应该创建副本-这些类型的操作都只是视图-一个具有更改的数据数组元数据的副本，而不是数据。

您可以重新调整输入数组的形状，使其成为

M x N

维数组，其中

M

是第一个维度的元素数。然后，对其进行切片以获得第一列并对其所有元素求和。不得进行整形和切片 复制

因此，您可以在不使用IF语句的情况下使用这种替代方法-

def some_func2(X):
    return X.reshape(X.shape[0],-1)[:,0].sum()

要检查并确认它没有通过整形和切片创建副本，您可以使用

np。可以像这样共享内存-

In [515]: X1
Out[515]: 
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])

In [516]: np.may_share_memory(X1,X1.reshape(X1.shape[0],-1)[:,0])
Out[516]: True

In [517]: X2
Out[517]: array([1, 4, 7])

In [518]: np.may_share_memory(X2,X2.reshape(X2.shape[0],-1)[:,0])
Out[518]: True

带有
np.may\u share\u memory
的
True
值很好地表明它们是视图而不是副本。
您选择
[：，np.newaxis]
的具体原因是什么？如果它是
X=X[np.newaxis]
的话，也就是说，当输入是1D数组时，它可以保持形状为2D数组
1xn
吗？对不起，我没有提到它，但我想要一个
Nx1
维数组。NumPy的美妙之处在于，与列表不同，请勿在切片操作期间复制。你会得到一个轻量级的包装。但这也意味着您可以通过更改片来影响主阵列。我几乎可以肯定，numpy的c代码中分配了一个新的连续内存块（它可能会在返回时被垃圾回收，也可能不会被垃圾回收）。。。它应该很容易用内存分析器进行验证。。。我只知道这一点，因为我只需要和它斗争一两天ago@JoranBeasley至少根据文档“基本切片生成的所有数组始终是原始数组的视图”（基本切片下列出了
np.newaxis
）。如果代码做了一些不同的事情，我很乐意被更正！我可以保证，对于一个不能分配30mb连续内存的win32应用程序，我在
a=a[：，columns]
上遇到了一个内存错误（正如我所说，它可能会在离开C区后立即被垃圾回收）但这可能不是OP的关注点，可能取决于列是什么——如果是索引列表，我想这是意料之中的。如果这是一个片段，那么它会更令人惊讶。@JoranBeasley如果你能追踪到你案件的细节，这将是一个很好的例子。它通常不需要分配任何内存，因此如果需要，我们应该尝试将其修复。谢谢，我不知道
np。可以共享内存
，并且我有一些场景，在这些场景中，这对测试非常有用。我喜欢
X.reshape（X.shape[0]，-1）
而不是
if
+
X[：，np.newaxis]
In [515]: X1
Out[515]: 
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])

In [516]: np.may_share_memory(X1,X1.reshape(X1.shape[0],-1)[:,0])
Out[516]: True

In [517]: X2
Out[517]: array([1, 4, 7])

In [518]: np.may_share_memory(X2,X2.reshape(X2.shape[0],-1)[:,0])
Out[518]: True