P2-11.4 补充学习：在 NumPy 中一起读取 shape 与原数组共享¶

Section ID: P2-11.4 Version: v2026.07.20

在 P2-11.2 中，我们看了 indexing、slicing、axis；在 P2-11.3 中，我们看了 broadcasting 和 vectorization。但在真正读 NumPy 代码时，后面常常还会卡在几个问题上。

这个选择还在看原数组吗？ 还是说它新建了一个数组？ 为什么 shape 会突然从 (3,) 变成 (3, 1)？

这篇补充学习就是把这些问题绑在一起处理。

这里提供一个基础说明，把 boolean mask、fancy indexing、np.newaxis、shared view 放在同一条线上来看。即使前面几节里的 indexing、slicing、broadcasting 大体已经能读懂，这里仍然要重新接上：选择方式和 shape 变化是怎样连到原数组共享问题上的。

阅读标准：在 NumPy 中一起读取 shape 与原数组共享¶

• 能说明 basic slicing 常常可以读成“在看原数组的一部分”。
• 能说明 fancy indexing 与 boolean mask 常常可以读成“创建了一个新数组”。
• 能说明即使 shape 看起来相似，是否共享原数组也可能不同。
• 能把 np.newaxis 解释成“增加一个长度为 1 的轴”的写法。
• 能说明在读 broadcasting 代码时，要把 值、shape、是否共享原数组 一起检查。

先抓住的一个画面¶

这篇补充学习里最先要抓住的画面是：怎样选择 与 怎样改变 shape，会一起改变“是否共享原数组”和“计算沿哪个方向对齐”。

也就是说，在 NumPy 里，只说“选了一部分”是不够的。必须先区分 看区间、收集位置、按条件筛选、添加轴，这样才能把 view/copy、shape、broadcasting 一起读懂。

背景¶

在 P2-8.7 的补充学习里，我们通过 Python list 与复制先看过一个问题：原对象会不会一起变？ NumPy 里同样会回到这个问题。但在 NumPy 中，只问“有没有复制”还不够，还要一起问 shape 是怎么变的？

例如，x[1:4] 与 x[[1, 3, 4]] 看起来都像“只选出部分值”，但前者可能还在看原数组，后者则可能已经创建了一个新数组。而 x[:, np.newaxis] 即使值没有变化，也会改变整个 broadcasting 的方式。

当 P2-11.2 里的 slicing 与 axis 已经大体能读懂，但你仍会卡在“这个选择会不会把原数组一起改掉”；或者当 P2-11.3 里的 broadcasting 已经能读懂，但碰到 (3, 1) 和 (1, 3) 突然出现就停住时，就来看这一节。抓住这个标准后，你就能把 slicing、axis、broadcasting 连同 shape 与 是否共享原数组 一起读。

三个标准¶

Basic Slicing 常常可以读成在看原数组的一部分¶

在 P2-11.2 中，slicing 被介绍为“保留一个区间”的写法。在 NumPy 里，这种 basic slicing 常常会表现成“仍在看原数组的一部分”。

问题场景：确认当我们修改 slicing 选出的部分时，原数组会不会一起变化。 输入(input)：一维数组 scores 与切片 scores[1:4]。 期待输出(output)：通过切片改掉的值，会反映回原数组。 要确认的概念：看到 basic slicing 看起来像新数组，但仍可能与原数组相连。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

# 这个补充例子同时检查 NumPy 数组的 shape 变化以及是否与原数组共享数据。
import numpy as np

scores = np.array([82, 75, 45, 90, 61])
middle = scores[1:4]

middle[0] = 999

print(scores)
print(middle)

输出如下。

1
2

[ 82 999  45  90  61]
[999  45  90]

这里可以这样读。

• 只把 scores[1:4] 看成“复制出来的三个值”是有风险的。
• basic slicing 常常可以读成仍在看原数组的一部分。
• 所以后面改值时，原数组也可能跟着变。

这种直觉直接连到 P2-8.7 里那个问题：原对象和复制结果什么时候会一起变化？

Fancy Indexing 和 Boolean Mask 会把选中的值重新收集成新结果¶

现在看一些虽然也像“选一部分”，但工作方式不同的例子。

问题场景：比较“单独挑出几个位置”的 fancy indexing，和“按条件筛选”的 boolean mask，它们与原数组有什么不同。 输入(input)：数组 scores、位置列表 [1, 3, 4]、条件 scores >= 80。 期待输出(output)：即使修改 fancy indexing 和 boolean mask 的结果，原数组 scores 也保持不变。 要确认的概念：看到按位置收集或按条件筛选出来的结果，更安全地应读成新数组。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12

# 这个补充例子同时检查 NumPy 数组的 shape 变化以及是否与原数组共享数据。
scores = np.array([82, 75, 45, 90, 61])

picked = scores[[1, 3, 4]]
high_scores = scores[scores >= 80]

picked[0] = 500
high_scores[0] = 700

print(scores)
print(picked)
print(high_scores)

输出如下。

1
2
3

[82 75 45 90 61]
[500  90  61]
[700  90]

这里，scores[[1, 3, 4]] 是把位置 1、3、4 的值单独收集起来。这种方式叫 fancy indexing。

scores[scores >= 80] 是只保留条件为真的值。这种方式叫 boolean mask。

这里两者都可以这样理解。

• basic slicing 更接近 原样查看一段区间。
• fancy indexing 与 boolean mask 更接近 把选中的值重新收集起来。

因此，改值时是否会连动原数组，也会不同。

即使都叫“选一部分”，问题本身也不同¶

slicing、fancy indexing、boolean mask 虽然都像是在“只选一部分值”，但它们实际上回答的是不同问题。

先把这个区别分开，NumPy 代码就会少很多混乱。

np.newaxis 会增加一个长度为 1 的轴¶

现在看的是：不是选值，而是改变 shape 的写法。

问题场景：仅通过改变 shape，区分同一个一维数组该被看成更像一行还是更像一列。 输入(input)：一维数组 scores，以及 scores[:, np.newaxis]、scores[np.newaxis, :]。 期待输出(output)：打印 (3,)、(3, 1)、(1, 3) 三种 shape。 要确认的概念：看到 np.newaxis 不会改变值本身，而是通过增加一个长度为 1 的轴来改变计算方向。

1
2
3
4
5
6

# 这个补充例子同时检查 NumPy 数组的 shape 变化以及是否与原数组共享数据。
scores = np.array([82, 75, 45])

print(scores.shape)
print(scores[:, np.newaxis].shape)
print(scores[np.newaxis, :].shape)

输出如下。

1
2
3

(3,)
(3, 1)
(1, 3)

这三个数组看上去装的数字相似，但读取方式不同。

所以 np.newaxis 不是在创造新数字，而是在整理数组该沿哪个方向去适配计算。

np.newaxis 常用来有意制造 Broadcasting¶

在 P2-11.3 中，我们看过像 (4, 3) 与 (3,) 这种本来就兼容的 shape。但有些计算，必须故意多加一个轴，才更容易读。

问题场景：把列方向和行方向分开，一次性计算两个集合之间的差。 输入(input)：长度为 3 的数组 a 和长度为 2 的数组 b。 期待输出(output)：形状 (3, 1) 与 (1, 2) 相遇后，产生 (3, 2) 的结果。 要确认的概念：看到 np.newaxis 是用于 broadcasting 的 shape 对齐工具。

1
2
3
4
5
6
7
8
9

# 这个补充例子同时检查 NumPy 数组的 shape 变化以及是否与原数组共享数据。
a = np.array([10, 20, 30])
b = np.array([1, 2])

diff = a[:, np.newaxis] - b[np.newaxis, :]

print(a[:, np.newaxis].shape)
print(b[np.newaxis, :].shape)
print(diff)

输出如下。

1
2
3
4
5

(3, 1)
(1, 2)
[[ 9  8]
 [19 18]
 [29 28]]

这个例子的关键不在值，而在 shape。

• a[:, np.newaxis] 是 (3, 1)。
• b[np.newaxis, :] 是 (1, 2)。
• 两者通过 broadcasting 产生 (3, 2) 的结果。

这里可以把 np.newaxis 理解成：为了 broadcasting，让行和列角色更明确的写法。

在实务代码里，要一起看 Shape 与原数组共享¶

NumPy 代码之所以容易让人混乱，是因为 选了什么、shape 怎样变化、原数组会不会一起变，常常同时出现在同一行。

因此，更安全的读取习惯如下。

1. 这段代码是在切区间、收集位置，还是按条件筛选？
2. 结果的 shape 是什么？
3. 后面会不会修改这个值？
4. 如果必须保留原数组，是否需要 .copy()？

这个判断在数据预处理中尤其重要。因为“只是从部分 sample 创建了新数据集”，还是“直接改了原数组的一部分”，会影响你怎样解释实验结果。

把这个流程一次性绑起来，可以得到下面的图。

flowchart TD
    select["选择方法<br/>切片 / fancy / 掩码"]
    share["它是否共享原对象？<br/>视图还是副本"]
    reshape["用 newaxis 改变形状<br/>轴会怎样变化？"]
    broadcast["广播规则<br/>形状如何对齐？"]
    result["结果与副作用<br/>数值变化与源对象影响"]

    select --> share
    select --> reshape
    reshape --> broadcast
    share --> result
    broadcast --> result

读者在这里至少要留下这句话。

• 怎样选择，会改变是否共享原数组；怎样改变 shape，会改变 broadcasting 的方向。

应该回到哪里去读¶

读完这一节后，应重新接回下面这些正文。

简短复归表¶

检查清单¶

• 能说明 x[1:4] 与 x[[1, 3, 4]] 的差别吗？
• 能说明 boolean mask 选的是什么吗？
• 能说明 (3,)、(3, 1)、(1, 3) 的差别吗？
• 能说明为什么 np.newaxis 和 broadcasting 连在一起吗？
• 还记得在“保留原数组”很重要时，要先检查 .copy() 吗？
• 能说明读 NumPy 代码时，不要只看值，还要一起看 shape 和是否共享原数组吗？

来源与参考资料¶

• NumPy Developers, Copies and views, NumPy v2.5 Manual，确认日期：2026-07-20。作为区分 view 与 copy、basic indexing views、advanced indexing copies 和 .base 检查的依据。
• NumPy Developers, Indexing on ndarrays, NumPy v2.5 Manual，确认日期：2026-07-20。用于确认 selection method 会影响 shape 以及是否共享原始数据。
• NumPy Developers, Broadcasting, NumPy v2.5 Manual，确认日期：2026-07-20。作为把 np.newaxis 和 shape adjustment 连接到 broadcasting 的依据。