numpy：如果numpy数组是view，那么可靠的（非保守）指标
寻找一种方法可靠地确定一个numpy对象是否是一个视图。
相关的问题已经出现了很多次（ 这里 ， 这里 ， 这里 ），人们提供了一些解决scheme，但似乎都有问题：
- 现在在
pandas使用的testing是在my_array.base is not None调用某个视图。 这似乎总是能够捕捉到意见，但也提供了大量的误报（即使报告不正确，报告的情况也是如此）。 -
numpy.may_share_memory()将检查两个特定的数组，但不会一般地回答- （@RobertKurn说，截至2012年是最好的工具 – 任何改变？）
-
flags['OWNDATA'])被报告（第三条评论的第一个答案）在某些情况下失败。
（我感兴趣的原因是我正在为大pandas实施抄写，而一个保守的指标正在导致过度复制。）
根据您的使用情况， flags['OWNDATA']将完成这项工作。 事实上，你的链接没有问题。 在某些情况下不会失败 。 它将永远做它应该做的事情。
根据http://docs.scipy.org/doc/numpy-1.10.0/reference/generated/numpy.require.html ：标志“确保拥有自己的数据的数组”。
在你的“反例”中，他们使用的代码是：
print (b.flags['OWNDATA']) #False -- apparently this is a view e = np.ravel(b[:, 2]) print (e.flags['OWNDATA']) #True -- Apparently this is a new numpy object.
但是，在第二种情况下，这是正常的行为。
它来自ravel的定义（来自http://docs.scipy.org/doc/numpy-1.10.1/reference/generated/numpy.ravel.html ）。
返回一个连续的扁平数组。 包含input元素的1-D数组被返回。 只有在需要时才进行复制。
在这里，需要一个副本，所以复制。 所以，variablese真的拥有自己的数据。 这不是“b的视图”，“对b的引用”，“b的一部分的别名”。 这是一个真正的新数组，其中包含b的一些元素的副本。
所以， 我认为如果不跟踪数据的全部来源来检测这种行为是不可能的 。 我相信你应该能够用这个标志build立你的程序。
