Представления и копии — NumPy

Коротко

Представление (view) — новый объект-окно на те же данные. Изменения видны в обоих массивах.
Копия (copy) — отдельные данные; изменения независимы.
Представления дают: срезы a[1:4], a[::2], reshape, ravel (если возможно), .T, transpose.
Копии дают: fancy- и булева индексация (a[[0, 2]], a[a > 0]), арифметика, flatten, .copy().
Проверка: b.base is a — представление a; np.shares_memory(a, b) — есть ли общие данные.

Синтаксис

b = a[1:4]                 # представление
b = a[1:4].copy()          # копия
b.base is a                # True — b смотрит в данные a
b.base is None             # True — у b свои данные
np.shares_memory(a, b)

Операция	Результат
срез `a[i:j]`, `a[::k]`, `a[:, 0]`	представление
`reshape`, `.T`, `transpose`, `ravel`	обычно представление
`a[[0, 2]]`, `a[mask]`	копия
`a + 1`, `np.sqrt(a)`, `flatten()`, `copy()`	копия (новый массив)

Примеры

Данные для примеровиспользуются во всех примерах ниже

prices = np.array([100, 200, 300, 400, 500])

Срез меняет исходный массив

part = prices[1:4]          # срез — представление
part[0] = 0
prices                      # исходный массив изменился

Вывод

array([100,   0, 300, 400, 500])

Копия не меняет

part = prices[1:4].copy()   # независимая копия
part[0] = 0
prices

Вывод

array([100, 200, 300, 400, 500])

Как проверить

view = prices[::2]
fancy = prices[[0, 2, 4]]
print(view.base is prices)             # у представления base — исходный массив
print(fancy.base is None)              # у копии собственные данные
np.shares_memory(prices, view), np.shares_memory(prices, fancy)

Вывод

True
True
(True, False)

reshape — тоже представление

grid = prices.reshape(5, 1)
grid[0, 0] = -1             # reshape тоже даёт представление
prices

Вывод

array([ -1, 200, 300, 400, 500])

Подводные камни

Функция меняет массив вызывающего

Массив передаётся в функцию по ссылке. Операции на месте (+=, /=, запись по индексу) внутри функции меняют исходные данные. Если это не задумано — начинайте функцию с a = a.copy() или пишите a = a / a.max().

Нормализация внутри функции

def normalize(a):
    a /= a.max()            # на месте: меняет массив вызывающего
    return a

data = np.array([2.0, 4.0, 8.0])
normalize(data)
data

Вывод

array([0.25, 0.5 , 1.  ])

Маленький срез держит в памяти большой массив

Пока жив срез, жив и весь исходный массив. Если из большого массива нужна маленькая часть надолго, сделайте .copy().

Срез и base

big = np.arange(1_000_000)
first = big[:3]             # держит ссылку на весь миллион элементов
print(first.base.size)
first = big[:3].copy()      # после копии большой массив можно освободить
print(first.base)

Вывод

1000000
None