NumPy切片默认返回视图而非副本，修改切片会同步改变原数组；基础切片（如arr[1:4]）返回视图，花式索引（如arr[[0,2]]）、布尔索引或.copy()返回副本，可通过sub.base is arr或修改验证。
arr[1:4] 修改后原数组跟着变，不是 bug，是 NumPy 故意这么设计的——它默认返回视图（view），不复制内存，只为快和省。
python-script-generator
下载
快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。
为什么切片默认是视图？性能和内存说了算
NumPy 的核心目标之一是高效处理大型数值数组。每次切片都拷贝数据，既慢又耗内存，尤其对 GB 级数组来说不可接受。所以arr[2:1000] 这类操作只是新建一个对象，指向原数组同一块内存，仅调整 offset 和 strides 描述“看哪一段”。
- 视图对象的 base 属性指向原始数组（sub.base is arr 为 True）
- sub.data.ptr == arr.data.ptr 通常成立（除非跨步导致非连续布局）
- 多层切片如 arr[10:20][::2] 仍是视图，base 仍连着最原始数组
哪些切片一定返回副本？高级索引是分水岭
只要索引里出现以下任一情况，NumPy 就放弃视图，强制拷贝： - 整数列表：arr[[0, 2, 4]]
- 布尔数组：arr[arr > 5]
- 混合基础+高级索引：arr[[0, 1], :]（哪怕第二维是 :，整数列表主导，整个结果是副本）
- 显式调用：arr.copy() 或 np.copy(arr)
注意：arr[:, [1]] 和 arr[:, 1] 看似只差一对方括号，前者是副本，后者是视图——这点极易踩坑。
赋值行为取决于左边是不是切片表达式
arr[2:5] = 99 有效，因为这是就地写入视图对应内存；
但 sub = arr[2:5]; sub = 99 不会改原数组，因为第二个 = 只是把变量 sub 重新绑定到整数 99；
想通过变量改原数组，必须用 sub[:] = 99 或 sub.fill(99)。
另外，如果原数组被设为只读（arr.setflags(write=False)），哪怕拿到的是视图，sub[:] = x 也会直接报 ValueError: assignment destination is read-only——得先查 arr.flags.writeable，别怪切片不灵。
什么时候必须主动 copy()？别让视图拖垮内存
视图持有对原始数组的强引用，只要它活着，整个大数组就无法被垃圾回收。典型场景包括： - 函数返回一个很小的切片，但调用方长期持有（比如存进缓存或类属性） - 多进程间传递数据（视图跨进程无效，且可能引发隐式共享） - API 接口要求返回“独立数据”，后续修改不能波及上游 这时必须用arr[100:200].copy()，而不是 arr[100:200].copy(order='C') 这类带参数的变体——除非你真在调优内存布局，否则多余。
最容易被忽略的点：视图的“可写性”不由它自己决定，而由原始数组控制；而内存是否释放，也不看你切了多小一块，而看那个视图对象有没有被及时销毁。
