即使所有测试都是假的，Numpy 数组也共享内存？？？这是一个错误吗？

Question

我有一些代码，我一生都无法弄清楚这些是如何共享内存的！！！！所有测试都是错误的（如图所示），然而，内存位置在功能上和视觉上似乎都相同。我花了几个小时试图排除故障，但无法弄清楚。 请帮忙！！！为什么这些阵列共享内存！？？

listOfValues和listOfxValues在不应该共享内存时共享内存。

警告：丑陋，丑陋的代码，我很抱歉，这是艰难的一天。

listOfLists = []
splitold=0

#split arrays into each bin
for split in splitInd:
    splitnew=split
    listOfLists.append(xind[splitold:splitnew])
    splitold=split

listOfValues = np.array(listOfLists.copy())
#convert to float type
for i,lst in enumerate(listOfValues):
    listOfValues[i] = lst.astype(float)

listOfxValues = np.copy(listOfValues)

#PRINT TROUBLESHOOTING
print(listOfxValues.data)
print(listOfValues.data)
print(listOfValues is listOfxValues)
print(listOfValues == listOfxValues)
print(listOfValues.data is listOfxValues.data)
print(listOfValues.data == listOfxValues.data)
print(np.shares_memory(listOfxValues,listOfValues))
print(listOfxValues.__array_interface__['data'][0] == listOfValues.__array_interface__['data'][0]) 
print(listOfxValues.__array_interface__['data'][0] == listOfValues.__array_interface__['data'][0])

#exchange indexed values for real values
for each in range(len(listOfValues)):
    for i,index in enumerate(listOfLists[each]):
        listOfxValues[each][i] = xdata[index]
        listOfValues[each][i] = ydata[index]

maxArrayInd = []
#get max indices
for array in listOfValues:
    maxArrayInd.append(np.argmax(array))

maxX = []
maxY = []
#get values for max indices
for idx,mx in enumerate(maxArrayInd):
    maxX.append(listOfxValues[idx][mx])
    maxY.append(listOfValues[idx][mx])

此代码输出：

<memory at 0x00000215644C5640>
<memory at 0x00000215644C5640>
False
False
False
False
False
False
False

尽管所有测试结果都是错误的，但内存位置显然是相同的。它打破了我的代码。请帮忙！！

谢谢你，请原谅我的绝望。

编辑：

我无法弄清楚为什么它会这样，但移动

listOfxValues = np.copy(listOfValues)

以上 #convert to float 类型修复了错误。我仍然无法弄清楚他们为什么要共享内存，以及为什么要解决这个问题。我理解指针、视图、副本等之间的区别（至少是基本的理解），但这仍然没有意义，为什么我遇到了问题。

感谢您的所有回答！我至少学到了一些！

Answer 1

的.data属性是一个memoryview对象。每次访问属性时都会创建一个新memoryview的。 打印时显示memoryview的地址是 Python 对象的地址，而不是数组中底层数据的地址。

当 Python 执行时print(listOfxValues.data)，访问.data属性会触发 NumPy 代码，该代码创建一个新memoryview对象，并将该对象传递给print(). 调用print()完成后，不再有任何 Python 对象持有对 的引用memoryview，因此垃圾收集器可以将其释放。然后，当您调用 时print(listOfValues.data)，memoryview会创建一个新对象，但结果是 Python 碰巧重用了之前调用中使用过的相同内存。

如果你这样做：

a = listOfxValues.data
b = listOfValues.data
print(a)
print(b)

两个memoryviews的内存地址总是不同的。如果a和b是通过访问同一数组的.data属性创建的，则也是如此，例如

In [23]: x = np.array([1, 2, 3, 4])

In [24]: a = x.data

In [25]: b = x.data

In [26]: a
Out[26]: <memory at 0x120975050>

In [27]: b
Out[27]: <memory at 0x120808c80>