关于如何在Python中存储numpy数组的一些困惑

在Python中使用数据类型numpy数组时，我有一些困惑

问题1

我在python intepreter中执行以下脚本

>>> import numpy as np
>>> L = [1000,2000,3000]
>>> A = np.array(L)
>>> B = A

然后我检查以下内容：

>>> A is B
True
>>> id(A) == id(B)
True
>>> id(A[0]) == id(B[0])
True

那很好。但是当时发生了一些奇怪的事情

>>> A[0] is B[0]
False

但是A[0]和B[0]怎么可能是不同的东西呢？他们有相同的身份证！ 对于python中的列表，我们有

>>> LL = [1000,2000,3000]
>>> SS = LL
>>> LL[0] is SS[0]
True

存储numpy数组的方法与list完全不同？我们也有

>>> A[0] = 1001
>>> B[0]
1001

似乎A[0]和B[0]是相同的对象

问题2

我复印了一份

>>> C = A[:]
>>> C is A
False
>>> C[0] is A[0]
False

那很好。A和C似乎彼此独立。但是

>>> A[0] = 1002
>>> C[0]
1002

---

A和C似乎不是独立的？我完全糊涂了。

你在问两个完全独立的问题，所以这里有两个答案

Numpy数组的数据在内部存储为连续的C数组。数组中的每个条目都只是一个数字。另一方面，Python对象需要一些内务管理数据，例如引用计数和指向类型对象的指针。不能简单地在内存中有一个指向数字的原始指针。因此，如果访问单个元素，Numpy将在Python对象中“框”一个数字。每次访问元素时都会发生这种情况，因此即使是

A[0]

和

A[0]

也是不同的对象：

>>> A[0] is A[0]
False

这就是为什么Numpy可以以更节省内存的方式存储数组的核心：它不为每个条目存储完整的Python对象，只在需要时动态创建这些对象。它针对阵列上的矢量化操作而不是单个元素访问进行了优化

当您执行

C=A[：]

时，您正在为相同的数据创建一个新视图。你不是在复制。然后将有两个不同的包装器对象，分别由

A

和

C

指向，但它们由相同的缓冲区支持。数组的

base

属性指的是它最初从中创建的数组对象：

>>> A.base is None
True
>>> C.base is A
True

当与索引结合使用时，相同数据上的新视图特别有用，因为您可以获得仅包含原始数组的某些片段，但由相同内存支持的视图

要实际复制数组，请使用

copy（）

方法

---

作为更一般的说明，您不应该过多地阅读Python中的对象标识。一般来说，如果

x是y

为真，您就知道它们实际上是同一个对象。但是，如果返回false，则它们仍然可以是同一对象的两个不同代理。

列表和数组的存储完全不同。请参阅回答，numpy v list copy。相关：