Python 获取numpy数组的子矩阵何时返回view而不是copy？

我正在尝试获取numpy 2D数组的子矩阵，并对其进行修改。有时我会得到一个副本，对它的修改不会影响原始阵列：

In [650]: d=np.random.rand(5,5)

In [651]: may_share_memory(d, d[[0,1],:][:,[2,3]])
Out[651]: False

In [652]: d[[0,1],:][:,[2,3]]=2

In [653]: d
Out[653]: 
array([[ 0.0648922 ,  0.41408311,  0.88024646,  0.22471181,  0.81811439],
       [ 0.32154096,  0.88349028,  0.30755883,  0.55301128,  0.61138144],
       [ 0.18398833,  0.40208368,  0.69888324,  0.93197147,  0.43538379],
       [ 0.55633382,  0.80531999,  0.71486132,  0.4186339 ,  0.76487239],
       [ 0.81193408,  0.4951559 ,  0.97713937,  0.33904998,  0.27660239]])

虽然有时我似乎得到了一个视图，但

可能会共享内存
也会返回False：

In [662]: d[np.ix_([0,1],[2,3])]=1

In [663]: d
Out[663]: 
array([[ 0.0648922 ,  0.41408311,  1.        ,  1.        ,  0.81811439],
       [ 0.32154096,  0.88349028,  1.        ,  1.        ,  0.61138144],
       [ 0.18398833,  0.40208368,  0.69888324,  0.93197147,  0.43538379],
       [ 0.55633382,  0.80531999,  0.71486132,  0.4186339 ,  0.76487239],
       [ 0.81193408,  0.4951559 ,  0.97713937,  0.33904998,  0.27660239]])

In [664]: may_share_memory(d, d[np.ix_([0,1],[2,3])])
Out[664]: False

更奇怪的是，如果将该“视图”指定给变量，它将成为“副本”（同样，修改不会影响原始数组）：

我同意；这很奇怪。但这是有逻辑的

请注意，切片赋值在python中是一种特殊的重载方法。切片分配不会创建视图，然后写入视图；它直接写入数组。无法为[[2,0,1]]的数据数组创建视图，因为无法将此视图表示为跨步数组，而跨步数组是所有numpy函数所需的基本接口。但您可以直接使用索引并对其进行操作。可以说，为了保持一致性，这种切片赋值应该对副本进行修改；但是，如果不将新创建的数组绑定到新名称，那么这又有什么意义呢

在python中，一般来说，赋值和切片赋值是完全不同的野兽，它们做的事情完全不同，这有点尴尬。这也是问题的根源所在。右侧的切片赋值和切片调用不同的函数，在概念上有些不同。may_share_memory指的是右侧切片的行为，而不是切片的作业。
我同意；这很奇怪。但这是有逻辑的

请注意，切片赋值在python中是一种特殊的重载方法。切片分配不会创建视图，然后写入视图；它直接写入数组。无法为[[2,0,1]]的数据数组创建视图，因为无法将此视图表示为跨步数组，而跨步数组是所有numpy函数所需的基本接口。但您可以直接使用索引并对其进行操作。可以说，为了保持一致性，这种切片赋值应该对副本进行修改；但是，如果不将新创建的数组绑定到新名称，那么这又有什么意义呢

在python中，一般来说，赋值和切片赋值是完全不同的野兽，它们做的事情完全不同，这有点尴尬。这也是问题的根源所在。右侧的切片赋值和切片调用不同的函数，在概念上有些不同。may_share_memory指的是右侧切片的行为，而不是切片的作业。
您看到的是

另外，为了清楚起见，
d[np.ix_u（[0,1]，[2,3]）]=1
不是一个视图，而是一个赋值。有关这方面的更多解释，请参见@eelcoogendoorn的答案。您的困惑的根源似乎是Eelco解决的
\uuuuu setitem\uuuuuuuuuuuuuuu
与
\uuuuuuu getitem\uuuuuuuuuuuuuuuuuuuuuuuuuuuuuu
，但我想我应该添加一些具体的澄清

任何时候你用一系列坐标来索引（
np.ix
返回一个索引数组），它都是“奇特的”索引，并且总是会返回一个副本

使用“始终返回视图”进行切片时可以执行的任何操作

例如：

In [1]: import numpy as np

In [2]: x = np.arange(10)

In [3]: y = x[3:5]

In [4]: z = x[[3, 4]]

In [5]: z[0] = 100

In [5]: x
Out[5]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

In [6]: y[0] = 100

In [7]: x
Out[7]: array([  0,   1,   2, 100,   4,   5,   6,   7,   8,   9])

原因是numpy数组在内存中必须是半连续的（更准确地说，它们必须能够用偏移量、步长和形状来描述）

任何类型的切片都可以这样描述（甚至像
x[：，3:100:5，无]
）

不能使用任意坐标序列（例如，
x[[1,4,5100]]
）

因此，如果使用切片，numpy总是返回一个视图，如果使用“花式索引”（也称为使用一系列标记或布尔掩码）则总是返回一个副本

但是，赋值（例如，
x[blah]=y
）将始终在适当的位置修改numpy数组。
您看到的是

另外，为了清楚起见，
d[np.ix_u（[0,1]，[2,3]）]=1
不是一个视图，而是一个赋值。有关这方面的更多解释，请参见@eelcoogendoorn的答案。您的困惑的根源似乎是Eelco解决的
\uuuuu setitem\uuuuuuuuuuuuuuu
与
\uuuuuuu getitem\uuuuuuuuuuuuuuuuuuuuuuuuuuuuuu
，但我想我应该添加一些具体的澄清

任何时候你用一系列坐标来索引（
np.ix
返回一个索引数组），它都是“奇特的”索引，并且总是会返回一个副本

使用“始终返回视图”进行切片时可以执行的任何操作

例如：

In [1]: import numpy as np

In [2]: x = np.arange(10)

In [3]: y = x[3:5]

In [4]: z = x[[3, 4]]

In [5]: z[0] = 100

In [5]: x
Out[5]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

In [6]: y[0] = 100

In [7]: x
Out[7]: array([  0,   1,   2, 100,   4,   5,   6,   7,   8,   9])

原因是numpy数组在内存中必须是半连续的（更准确地说，它们必须能够用偏移量、步长和形状来描述）

任何类型的切片都可以这样描述（甚至像
x[：，3:100:5，无]
）

不能使用任意坐标序列（例如，
x[[1,4,5100]]
）

因此，如果使用切片，numpy总是返回一个视图，如果使用“花式索引”（也称为使用一系列标记或布尔掩码）则总是返回一个副本

但是，赋值（例如，
x[blah]=y
）将始终在适当的位置修改numpy数组