`y = x` 和 `y = x[:]` 与 x 一个 numpy-ndarray 有什么区别？答案

【问题标题】：Whats the difference between `y = x` and `y = x[:]` with x a numpy-ndarray?`y = x` 和 `y = x[:]` 与 x 一个 numpy-ndarray 有什么区别？
【发布时间】：2021-06-07 14:43:22
【问题描述】：

我正在阅读this 问题，关于不可变 numpy 数组，并且在对其中一个答案的评论中，有人表明当使用 y = x[:] 而不是 y = x 时，给定的技巧不起作用。

>>> import numpy as np
>>> x = np.array([1])
>>> y = x
>>> x.flags.writeable = False
>>> y[0] = 5
Traceback (most recent call last):
  File "<pyshell#42>", line 1, in <module>
    y[0] = 5
ValueError: assignment destination is read-only
>>> del x, y
>>> x = np.array([1])
>>> y = x[:]
>>> x.flags.writeable = False
>>> y[0] = 5
>>> x
array([5])

（Python 3.7.2，numpy 1.16.2）

这两者之间有什么区别？为什么在这种特定情况下它们的行为如此不同？

编辑：this 没有回答我的问题，因为它只询问使用列表的情况，我想知道为什么 numpy ndarray 显示这种特殊行为，其中取决于复制修改数据的方法有时会，有时不会'不要引发错误。

【问题讨论】：

这能回答你的问题吗？ List changes unexpectedly after assignment. How do I clone or copy it to prevent this?
@Ch3steR 我不认为x[:] 是x 的副本（它是基本切片，不应该），因为在第二个作业中修改y 仍然会修改x。
@QuangHoang 你是对的。撤回了我的评论。
不过，x[:] 是x 的视图，具有相同的数据但单独的元数据（包括.flag.writeable）。这就是为什么我们可以通过y写入x的内存。

标签： python numpy numpy-ndarray

【解决方案1】：

y = x 只是添加了另一个对现有对象的引用，这里没有复制。这只是将同一对象的另一个名称添加到本地命名空间中，因此它的行为与x 相同。

y = x[:] 创建 numpy 数组的浅拷贝。这是一个新的 Python 对象，但内存中的底层数组数据将是相同的。但是，这些标志现在是独立的：

>>> x = np.array([1])
>>> y = x[:]
>>> x.flags.owndata, y.flags.owndata
(True, False)

owndata 标志表明y 只是x 数据的视图。在x 上设置可写标志不会改变y 的标志，因此y 仍然持有x 数据的可写视图。

>>> x.flags.writeable, y.flags.writeable
(True, True)
>>> x.flags.writeable = False
>>> x.flags.writeable, y.flags.writeable
(False, True)

请注意，如果您在复制x 之前关闭writeable 标志，那么该副本也将取消设置可写标志，并且您将获得一个只读的浅拷贝。

【讨论】：