numpy：如果 numpy 数组是视图，则可靠（非保守）指示符

Posted 2023-02-23

【中文标题】numpy：如果 numpy 数组是视图，则可靠（非保守）指示符

【英文标题】：numpy: Reliable (non-conservative) indicator if numpy array is view

【发布时间】：2016-02-05 11:20:48

【问题描述】：

寻找一种方法来可靠地识别 numpy 对象是否是视图。

相关问题之前出现过很多次（here、here、here），也有人提出了一些解决方案，但似乎都有问题：

现在pandas 中使用的测试是在my_array.base is not None 中调用某个视图。这似乎总能捕获视图，但也提供了许多误报（它报告某些内容的情况是视图，即使它不是视图）。 numpy.may_share_memory() 将检查两个特定数组，但一般不会回答 （@RobertKurn 说它是 2012 年最好的工具——有什么变化吗？） flags['OWNDATA']) 是 reported (third comment first answer) 在某些情况下会失败。

（我感兴趣的原因是我正在为 pandas 实现写时复制，保守的指标导致过度复制。）

【问题讨论】：

关于numpy github tracker的相关讨论：github.com/numpy/numpy/issues/5604

被描述为误报的情况似乎是“创建副本”的操作实际上返回副本的视图。如果这被认为是“不是视图”，您可以尝试检查数组的 base 的引用计数，以查看是否有其他对它的引用，但这并不完美。我认为不可能可靠地检测到这种事情。

另见这个最近的 SO 问题，***.com/questions/33467477/…。它提到了一个新功能，np.shares_memory。但我强调，比较 2 个已知变量是一回事，另一个要问的是数组与任何其他数组共享数据缓冲区。

一个 numpy 数组和稍后创建的视图怎么样，你想如何处理原始数组？

就我而言，原件可以视为“不是视图”。

【参考方案1】：

根据您的使用情况，flags['OWNDATA'] 可以完成这项工作。 实际上，您的链接没有问题。 在某些情况下它不会失败。它总是会做它应该做的事情。

根据http://docs.scipy.org/doc/numpy-1.10.0/reference/generated/numpy.require.html：标志“确保数组拥有自己的数据”。

在您的“反例”中，他们使用代码：

print (b.flags['OWNDATA'])  #False -- apparently this is a view
e = np.ravel(b[:, 2])
print (e.flags['OWNDATA'])  #True -- Apparently this is a new numpy object.

但是，在第二种情况下为 True 是正常行为。

它来自ravel的定义（来自http://docs.scipy.org/doc/numpy-1.10.1/reference/generated/numpy.ravel.html）。

返回一个连续的扁平数组。 返回一个包含输入元素的一维数组。仅在需要时才制作副本。

这里需要一个副本，所以制作了一个副本。因此，变量 e 真正拥有自己的数据。它不是“b 的视图”、“b 的引用”、“b 的一部分的别名”。这是一个真正的新数组，包含 b 的一些元素的副本。

所以，我认为如果不跟踪数据的整个来源来检测这种行为是不可能的。我相信您应该能够使用该标志构建您的程序。