numpy reshape 是否创建副本？

Question

有没有办法对 numpy 数组进行整形但就地。我的问题是我的数组非常大，所以任何不必要的副本都会占用内存。

我现在的做法是这样的：

train_x = train_x.reshape(n,32*32*3)

这并不能完全解决问题，因为它创建了一个新数组，然后将标签 train_x 归于新数组。

在正常情况下这没问题，因为垃圾收集器很快就会收集原始数组。

问题是我有这样的事情：

train_x, train_y = train_set
train_x = train_x.reshape(n,32*32*3)

所以在这种情况下，即使 train_x 不再指向原始数组，但 train_set.

内部仍然存在指向原始数组的指针

我想要一种将前一个数组的所有指针更改为这个新数组的方法。有办法吗？

或者也许有其他处理方法？

Answer 1

对于 Python 请记住，多个变量或名称可以指向同一个对象，例如 numpy 数组。数组也可以有视图，它们是新的数组对象，但具有共享数据缓冲区。副本有自己的数据缓冲区。

In [438]: x = np.arange(12)
In [439]: y = x                # same object
In [440]: y.shape = (2,6)      # inplace shape change
In [441]: y
Out[441]: 
array([[ 0,  1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10, 11]])
In [442]: x
Out[442]: 
array([[ 0,  1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10, 11]])
In [443]: y = y.reshape(3,4)        # y is a new view
In [444]: y
Out[444]: 
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
In [445]: x
Out[445]: 
array([[ 0,  1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10, 11]])

y 形状不同，但共享数据缓冲区：

In [446]: y += 1
In [447]: y
Out[447]: 
array([[ 1,  2,  3,  4],
       [ 5,  6,  7,  8],
       [ 9, 10, 11, 12]])
In [448]: x
Out[448]: 
array([[ 1,  2,  3,  4,  5,  6],
       [ 7,  8,  9, 10, 11, 12]])

numpy reshape 是否创建副本？

Does numpy reshape create a copy?

numpy

reshape

in-place

memory-consumption