4.1 基本切片为何总是视图

4.1 基本切片为何总是视图

本节摘要：冒号切片（含负索引、跨步）不复制数据，只构造一个新的描述：数据指针前移起点偏移、strides 按跨步缩放、shape 按区间重算。因此切片纳秒级完成，但写入切片就是写入原数组。本节拆解这套机制，演练切片赋值的广播规则与防御写法。

切片的语法与机器动作

先复习语法，再看每条语法在内存层面做了什么：

import numpy as np

a = np.arange(10)
print(a[2:7])     # [2 3 4 5 6]，起含止不含
print(a[:4])      # [0 1 2 3]
print(a[::2])     # [0 2 4 6 8]，跨步2
print(a[::-1])    # [9 8 7 6 5 4 3 2 1 0]，负跨步=倒着看
print(a[-3:])     # [7 8 9]，负索引从尾部数
​

机器动作只有三步：起点指针加偏移、步长乘以跨步、形状按区间长度重算。验证一下：

s = a[3:8:2]                 # 取下标3、5、7
print(s)                     # [3 5 7]
print("shape:", s.shape)     # (3,)
print("strides:", s.strides) # (16,) —— 原来是8，乘以跨步2
print("共享内存:", np.shares_memory(s, a))  # True

# 多维时每维独立切片，逗号分隔
m = np.arange(12).reshape(3, 4)
sub = m[0:2, 1:3]
print(sub)
# [[1 2]
#  [5 6]]
print(sub.strides)   # (16, 8)，行维与列维的切片区间都连续地映射回原块
​

切片构造视图的机制

切片赋值：视图的另一面

切片是视图，所以对切片赋值等于隔着窗口改原件。这既是陷阱也是利器：

import numpy as np

m = np.zeros((3, 4), dtype=np.int32)
m[1, :] = 9          # 整行赋值
print(m)
# [[0 0 0 0]
#  [9 9 9 9]
#  [0 0 0 0]]

m[:, ::2] = np.array([[1], [2], [3]])   # 广播赋值到隔列
print(m)
# [[1 0 1 0]
#  [2 9 2 9]
#  [3 0 3 0]]

# 负跨步切片也能赋值，倒序视图同样是窗口
r = np.arange(5)
r[::-1] = np.array([10, 20, 30, 40, 50])
print(r)   # [50 40 30 20 10]
​

防御性写法小结：需要独立副本时 a[1:5].copy()；函数内部要改又不许影响外部时，入口先 copy（第 2.3 节的 clean 案例）。反过来，想批量修改大片数据时，切片赋值比循环逐个改快百倍，是应该主动使用的工具。

案例：给棋盘矩阵涂色

背景：生成 8×8 国际棋盘（0 白 1 黑交替），这是练习"切片加跨步"的绝佳素材。操作：

import numpy as np

board = np.zeros((8, 8), dtype=np.uint8)
board[::2, ::2] = 1    # 偶行偶列
board[1::2, 1::2] = 1  # 奇行奇列
print(board)
# [[1 0 1 0 1 0 1 0]
#  [0 1 0 1 0 1 0 1]
#  [1 0 1 0 1 0 1 0]
#  [0 1 0 1 0 1 0 1]
#  [1 0 1 0 1 0 1 0]
#  [0 1 0 1 0 1 0 1]
#  [1 0 1 0 1 0 1 0]
#  [0 1 0 1 0 1 0 1]]
​

结果：四行代码、零循环完成涂色。解读：每个切片赋值只生成一次视图加一次批量写入，两次赋值覆盖全部黑格。变式：三维棋盘、任意周期涂色只需改跨步与相位，比如 a[::3] 涂每隔两格的位置。

边界行为备忘

import numpy as np
a = np.arange(5)

# 越界的"切片"自动收敛，不报错（与直接索引不同）
print(a[2:100])    # [2 3 4]
print(a[10:20])    # []，空数组合法

# 但单个下标越界立刻报错
# a[10]  # IndexError

# 空 dtype 视图可参与形状运算
print(a[10:20].shape)   # (0,)
​

💡 关键直觉：把切片想成"调整取景器"——镜头挪位置、改变焦，但风景（数据）只有一份。按快门（写入）动的是风景本身。

多维切片的维度自由组合

二维以上的切片，每个维度都可以独立选择"单个下标、区间、跨步"三种模式，组合后的形状按维度逐个计算：

import numpy as np

m = np.arange(60).reshape(3, 4, 5)   # 三批 4x5

case1 = m[0, 1:3, ::2]     # 维0取定值（降维），维1区间，维2跨步
print(case1.shape)         # (2, 2) —— 定值下标把该维消掉

case2 = m[:, :, -1]        # 每批每行取最后一列
print(case2.shape)         # (3, 4)

case3 = m[..., 0]          # 省略号代表"前面所有维全取"
print(case3.shape)         # (3, 4)，与 m[:,: ,0] 等价但更简洁
​

两个新语法值得记住：单个整数下标会把该维度消掉（shape 少一维），省略号 ... 是"其余维度全取"的通配。case2 与 case3 这类写法在图像处理里极为常见——取某个通道、取最后一帧，都是"部分维度定值、部分维度全取"的组合。

还要提醒一点：切片视图可以长期持有，但它会让原数组无法回收（2.3 节的 base 链）。从大数组取一小块长期使用时，老规矩——补 copy。

本节要点回顾

• 三步构造：切片 = 指针偏移 + 步长缩放 + 形状重算，数据零移动
• 读写同源：读切片便宜，写切片穿透到原数组
• 切片赋值会广播：右侧形状能广播到切片窗口即可整块写入
• 负跨步倒序：a[::-1] 仍是视图，反转不花拷贝
• 边界差异：切片越界静默收敛，单下标越界报错
• 维度组合：单下标消掉该维，省略号通配其余维，多维切片逐维独立
• 长期持切片：记得 copy 切断 base 链，别拖住大块内存
• 一句话总结：切片永远只是换了个角度看同一份数据

下一节看"下标不连续"的情形：花式索引与布尔掩码。它们放弃视图换来安全，代价是一次真实搬运。