Python Numpy 1D与nD阵列（按引用索引与按值索引）

我最近注意到一个奇怪的现象。在下面的代码中，我正在创建一个1D或2D numpy数组，从数组中提取一个值（

position_3

），然后将提取的位置分配给另一个值

在1D情况下，

position_3

与数组中最初分配的值匹配（即看起来像

position_3

是1D数组的副本），而在2D情况下，

position_3

随着数组的更改而更改（即看起来像

position_3

是2D数组的引用）

我知道Python中的所有内容都是引用，但我不明白的是，为什么一维数组和二维数组之间的行为不一致？值得注意的是，与Python列表的相同比较在这两种情况下都会产生类似复制的行为（即，在2D数组中，也就是嵌套列表中，

position_3

变量仍然存在[6,7,8]）。

Per:

使用N个整数进行索引的最简单情况是返回一个数组标量 表示相应的项

通过基本切片生成的所有阵列始终是原始阵列的视图。（我的重点）

因此，使用整数索引一维数组将返回一个数组标量：

In [32]: D1_array =  np.array([0,1,2,3,4])

In [33]: D2_array = np.array([[0,1,2],[3,4,5],[6,7,8],[9,10,11],[12,13,14]])

In [36]: D1_array[3]
Out[36]: 3

In [37]: type(D1_array[3])   # an array scalar
Out[37]: numpy.int64

如果指定

position\u 3=D1\u数组[3]

，则

position\u 3

保存此数组标量的值。使用

D1_数组[3]=0修改原始数组不会影响
位置_3
的值

相反，使用整数索引二维数组会返回：

修改视图也会更改原始阵列，修改原始阵列也会影响视图

In [32]: D1_array =  np.array([0,1,2,3,4])

In [33]: D2_array = np.array([[0,1,2],[3,4,5],[6,7,8],[9,10,11],[12,13,14]])

In [36]: D1_array[3]
Out[36]: 3

In [37]: type(D1_array[3])   # an array scalar
Out[37]: numpy.int64

In [38]: D2_array[3]
Out[38]: array([ 9, 10, 11])

In [40]: type(D2_array[3])
Out[40]: numpy.ndarray

In [42]: D2_array[3].base is D2_array
Out[42]: True