NumPy切片默认返回视图而非副本，共享原始数组内存，修改视图会直接影响原数组；纯切片（如arr[2:5]、arr[:, ::2]）是视图，而高级索引（如arr[[0,2]]）返回副本。

因为 NumPy 切片默认返回的是视图（view），不是副本（copy）——它共享原始数组的内存，任何就地修改都会直接写入原数据块。

切片是视图，不是副本

Python 原生列表切片会新建对象，而 NumPy 为性能牺牲了“直觉”：只要用 :、start:stop:step 或逗号分隔的纯切片（如 arr[2:5, ::2]），返回的就是视图。它不复制数据，只调整 offset 和 strides 描述“从哪看、怎么看”。

• sub = arr[100:200] 后，sub.base is arr 通常为 True
• sub.data.ptr == arr.data.ptr 大概率成立（除非跨步导致非连续）
• 多层切片如 arr[5:15][::3] 仍是视图，base 还连着最原始数组

哪些操作会意外触发修改？

你以为在改局部变量，其实是在改原数组内存。典型陷阱包括：

macOS UI 自动化技能包 —— 用 Python 控制你的 Mac

让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限

下载

• 赋值语句写成 sub = arr[2:5]; sub[:] = 99 —— sub[:] 是就地写入，原数组第 2~4 位变 99
• 误用 sub = arr[:, [1]]（带方括号的整数列表）：这已是高级索引，返回副本；但若写成 sub = arr[:, 1]（单个整数），就是视图，改 sub 就改原数组第 1 列
• 函数内返回切片后，调用方拿去长期持有：视图强引用原数组，大数组无法被 GC 回收

为什么 .copy() 不总管用？

不是所有 copy 都等价。容易忽略的关键点：

立即学习“Python免费学习笔记（深入）”；

• arr[10:20].copy() 安全；但 arr[10:20].copy(order='C') 多余，除非你真在调优内存布局
• 如果原数组设为只读：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
• 高级索引（如 arr[[0, 2, 4]]、arr[arr > 5]、arr[[0, 1], :]）天然返回副本，但链式写法如 B[i_b][ij_b] = True 会先取副本再赋值，原数组 B 不变

真正危险的不是切片本身，而是没意识到它背后那块共享内存——尤其当数据量大、逻辑嵌套深、或跨函数传递时，一个 [:] 就可能让上游静默崩塌。