查看numpy阵列？

当然，只需像往常一样索引它。例如。

y = x[:k, :]

这将返回原始数组的视图。不会复制任何数据，对

y

所做的任何更新都将反映在

x

中，反之亦然。 编辑： 我通常使用> 10GB的uint8的3D阵列，所以我很担心这个...如果你记住一些事情，Numpy在内存管理方面非常有效。 以下是避免在内存中复制数组的一些提示： 使用

+=

，

-=

，

*=

等，以避免复制数组。例如。

x += 10

将修改数组，而

x = x + 10

将复制并修改它。 （另外，看看numexpr） 如果你想用

x = x + 10

制作副本，请注意

x = x + 10.0

会导致

x

自动升级到浮点阵列（如果尚未上传）。但是，

x += 10.0

，其中

x

是一个整数数组，将导致

10.0

被下行转换为与数组具有相同精度的int。 此外，许多numpy函数采用

out

参数，因此您可以执行类似

np.abs(x, x)

的操作，以取得

x

的绝对值。 作为第二个编辑，这里有几个关于视图与numpy数组副本的提示： 与python列表不同，

y = x[:]

不返回副本，它返回一个视图。如果你想要一个副本（当然，你将使用的内存量增加一倍），请使用

y = x.copy()

您经常会听到numpy数组的“花式索引”。使用列表（或整数数组）作为索引是“花式索引”。它非常有用，但可以复制数据。 作为一个例子：

y = x[[0, 1, 2], :]

返回一个副本，而

y = x[:3,:]

将返回一个视图。 即使像

x[4:100:5, :-10:-1, None]

这样真正疯狂的索引也是“正常”的索引并且会返回一个视图，所以不要害怕在大型数组上使用各种切片技巧。

x.astype(<dtype>)

将返回数据的副本作为新类型，而

x.view(<dtype>)

将返回视图。 但请注意这一点......它非常强大且有用，但您需要了解底层数据如何存储在内存中。如果你有一个浮点数组，并将它们视为整数，（反之亦然），numpy会将数组的基础位解释为整数。 例如，这意味着在小端系统上作为64位浮点数的

1.0

在被视为64位int时将是

4607182418800017408

，如果被视为uint8则是

[  0,   0,   0,   0,   0,   0, 240,  63]

的数组。当你需要在大型数组上进行某种类型的操作时，这非常好，但是......你对内存缓冲区的解释方式有低级别的控制。