我的Python100天打卡:59/100 Numpy数组的视图、副本/检验内存/一维、二维数组的转置

16.5 视图vs副本（numpy.shares_memory()）

1️⃣之前的笔记中已知：

1. “视图（view）”是一个数组的不同视角或表现方式，与原始数组共享同一个内存，因此对视图进行操作时，会影响原始数据。

2. “副本（copy）”是对一个数组的完全复制，相当于“另存为”，不与原始数据共享内存，因此操作副本时不会影响原始数据。

在对数组的操作中，使用以下关键代码np.shares_memory()，分别传递数组A和B，判断两个数字是否指向同一个内存：

np.shares_memory('数组a', '数组b')

具体操作如下：

2️⃣【重点】上次笔记已经学过了reshape的操作，现在结合“视图”和“副本”讲解它们合起来应用的区别。

1. 首先给出书上的示例代码：

这段示例代码没有前因后果，我看得很吃力，并且书本上的解释比较模糊，因此我用“太奶奶”的人设，请ai帮我解释：

2. 为什么要先验证是否处于“同一个内存”（“是否来自同一个锅”）？

2-1. 反面例子：没有验证内存的情况下，本来只想改动部分，却影响了整体：

2-2. 正面例子：先使用“np.shares_memory()”验证内存，防止意外。验证内存的关键代码：

# 使用np.shares_memory()函数（最直接）print("np.shares_memory(大盘菜, 小碗1):", np.shares_memory(大盘菜, 小碗1))  # True

2-3 如果需要修改，使用.copy()创建副本，避免影响原来的数据：

# 1. 创建原数据原数据 = np.array([...])# 2. 提取数据时明确标注数据_只读 = 原数据[:]      # 假设是只读视图数据_可修改 = 原数据[:].copy()  # 明确创建副本用于修改# 3. 重要数据总使用副本重要数据备份 = 原数据.copy()

3️⃣综上，这部分内容的重点，应该是强调实际应用中，检查数组是否在同一内存的重要性，以免出错（感觉这个可以成为编程必须做的“检查清单”之一）。

--

16.6 转置（numpy.transpose()）

1️⃣一维数组的转置：还是其本身

书本给出以下数组，根据ai提示，可以用np.swapaxes()验证一维数组的转置：

示例代码：

# 给定的数组arr_1d = np.array([-7, -6, -5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5, 6, 7])print("原始一维数组:")print(arr_1d)print("形状:", arr_1d.shape)  # (15,)print("维度数:", arr_1d.ndim)  # 1# 尝试在一维数组上使用 swapaxestry:    result = np.swapaxes(arr_1d, 0, 0)  # 甚至交换同一个轴    print("swapaxes(0,0) 结果:", result)except Exception as e:    print(f"错误: {type(e).__name__}: {e}")# 结果：不报错，显示“arr_1d”本身

示例代码中，通过最后一行语句不难看到，一维数组的转置是其本身，这是因为一维数组只有一个轴，转置操作不会改变数组的形状。一维数组的形状是(n,)，它没有行和列的概念，转置操作对一维数组没有意义。因此，一维数组的转置返回的是原始数组的视图，不会改变任何东西。

书本再次给到了两个案例的转置示例（关键代码：np.transpose()）：只有一行的一维数组，和只有一列的一维数组。

1. 只有一行的一维数组：

2. 只有一列的一维数组：

2️⃣二维数组的转置：

1. 回顾第十六章笔记，有以下二维数组“A_3_by_5”：

2. 使用".T"属性（效果与np.transpose一致），将其转置，并可视化：

关键代码（非常简洁，就一句话）：

# 二维数组的转置A_3_by_5_T = A_3_by_5.T

运行结果：

3. 使用np.transpose()作为关键代码，将这个二维数组进行转置，并输出最终结果（结合上一小节关于视图和副本的区别应用）：

# 视图 vs 副本# 定义一个二维数组arr = np.array([[1, 2, 3], [4, 5, 6]])# 使用.transpose()方法得到数组的转置arr_transpose = arr.transpose()# 使用.T属性得到数组的转置arr_T = arr.T# 修改新数组中的元素arr_transpose[0, 1] = 100arr_T[2, 0] = 200# 输出结果print("原始数组：")print(arr)print("使用.transpose()方法得到的数组的转置：")print(arr_transpose)print("使用.T属性得到的数组的转置：")print(arr_T)

⬆️关于以上三个数组，有很重要的一点需要强调：

arr：原本的数组

 arr_transpose：通过np.transpose()转置后的数组，与“arr”完全一致。

arr.T：是np.transpose()属性的简写，作用与np.transpose()完全一致，得到的数组也与“arr”完全一致。

以上三个数组，内存都指向同一地方，都同为“视图”，与“副本”有本质的区别。

--

今天是大年初二，一有时间就打开电脑敲笔记。

今天学的有点慢，有点散，归根结底，我认为是没有按照“先看视频，理解后再看书”的步骤，自己硬着头皮去理解，就比较吃力。

还是要多优化路径，减少耗损，长期坚持。