Python 理解numpy自引用赋值

给定如下自引用赋值：

x = np.array(range(5))
y = x[:-1]
print(x, y)
y[0] = 9
print(x, y)
x[1:] = y
print(x, y)

我最终得到以下输出：

[0 1 2 3 4] [0 1 2 3]
[9 1 2 3 4] [9 1 2 3]
[9 9 1 2 3] [9 9 1 2]

在将numpy的值分配给

x

之前，有人能解释一下numpy在引擎盖下做了什么以避免覆盖

y

？例如，如果我们用For循环替换赋值

x[1:]=y

，则输出的最后一行是不同的：

x = np.array(range(5))
y = x[:-1]
print(x, y)
y[0] = 9
print(x, y)

for idx in range(1, len(x)):
    x[idx] = y[idx-1]
print(x,y)

---

一般来说，在更改内存映射阵列的宽度时，我可以依赖观察到的行为吗？或者，如果numpy在赋值之前创建视图的副本，这是毫无意义的吗？

因此您有一个简单的1d数组：

In [358]: x = np.array(range(5))
In [359]: x
Out[359]: array([0, 1, 2, 3, 4])
In [360]: x = np.arange(5)
In [361]: x
Out[361]: array([0, 1, 2, 3, 4])

y

是一个视图-除最后一个以外的所有视图：

In [362]: y = x[:-1]
In [363]: y
Out[363]: array([0, 1, 2, 3])
In [364]: y[0] = 9
In [365]: x
Out[365]: array([9, 1, 2, 3, 4])

修改

y

也会更改

x

In [366]: x[1:]
Out[366]: array([1, 2, 3, 4])
In [367]: x[1:] = y
In [368]: x
Out[368]: array([9, 9, 1, 2, 3])

此分配已缓冲。缓冲区的详细信息通常没有文档记录，但是像

np.add.at

这样的函数的文档会给出提示。虽然这解释了你看到的行为，但我不知道假设它是否安全。添加副本足够便宜：

x[1:] = y.copy()

如

add.at

所示，人们通常会被缓冲所困扰，至少在某些标记重复的情况下是如此。我想不出一种

.at

的迭代方法

---

有一种形式的

视图

复制会咬人-例如，尝试切换2d数组的行：

In [392]: arr = np.arange(12).reshape(3,4)
In [393]: arr
Out[393]: 
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
In [394]: arr[0],arr[1] = arr[1],arr[0]
In [395]: arr
Out[395]: 
array([[ 4,  5,  6,  7],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

此处

arr[0]

在

arr[1]

之前更新。这种分配适用于列表，但由于

arr[i]

是一个

视图

它在列表中失败

高级索引解决了这个问题。RHS是一个副本，因此在任务期间不会出现混乱

In [396]: arr = np.arange(12).reshape(3,4)
In [397]: arr[[0,1]] = arr[[1,0]]
In [398]: arr
Out[398]: 
array([[ 4,  5,  6,  7],
       [ 0,  1,  2,  3],
       [ 8,  9, 10, 11]])

---

我不知道是否有可能用1d

x

缓冲Numpy操作来构造这样一个示例，是的

In [396]: arr = np.arange(12).reshape(3,4)
In [397]: arr[[0,1]] = arr[[1,0]]
In [398]: arr
Out[398]: 
array([[ 4,  5,  6,  7],
       [ 0,  1,  2,  3],
       [ 8,  9, 10, 11]])