Numpy中的View()和copy()

于 2024-03-20 22:20:24 发布
阅读量268 收藏 8
点赞数 5
文章标签： numpy
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_39339172/article/details/136890046
版权

view()

a=arange(0,10)

b = a.view()

        view()创建了数组a的一个视图，视图是数组的浅拷贝，具有与a相同的属性和数据的地址，共同引用同一块数据，修改b的属性，比如说将b的shape改为(2,5)，这个操作只改变了对象b中的shape属性，对于a没有影响，数组中的数据物理上只有内存中一块连续的地址，但是怎么去解读这一块内容取决于数组对象的属性，属性决定了数组的形式，ndim决定了数组的维数，shape决定了数组每一维当中有多少个元素，stride决定了当前维度中取得下一个元素所需要跨过的字节数（偏移量），定义不同的属性就能将同一块内存解读为不同类型的数组，取数组中的元素的过程如下，不管a的存储顺序是什么样的（行有限or列优先），print(a)其实就是相当于按照人对于数组的认识来遍历这一块内存：

用c语言描述的话相当于
a[i][j][k]  ~  *(*(*(a + i * strides[0]) + j * strides[1]) + k * strides[2])

https://blog.csdn.net/qq_40206371/article/details/121922643

Python numpy视图与副本_python_脚本之家 (jb51.net)

详解python中的 is 操作符_python_脚本之家 (jb51.net)

python numpy数组复制使用实例解析_python_脚本之家 (jb51.net)

qq_39339172
关注
  • 5
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
numpy中索引和切片详解
09-20
主要介绍了numpy中索引和切片详解，具有一定借鉴价值，需要的朋友可以参考下。
numpy中view详解
Jfuck的专栏
07-25 3万+
1、如何判断是否共享内存 方法一： a = np.arange(50) b = a.reshape((5, 10)) print (b.base is a) 方法二： print (np.may_share_memory(a, b)) 方法三： print (b.flags['OWNDATA']) #False -- apparently this is a view e
NumPy 中 view() (即浅拷贝)
米饭的白色的专栏
05-22 2535
a = b.view() 即为 NumPy 中的浅拷贝. 可以参考 python的numpy的浅拷贝的作用是什么？ 中的回答: python的numpy的浅拷贝的作用是什么？ - 泰克尼客的回答 - 知乎 https://www.zhihu.com/question/324799161/answer/874246912 总结一下就是: a=b.view(), 这时, a 和 b 会共享同一个数据区, 但是它们是不同的对象, 如果修改 a 的数据, 会影响到 b, 但如果仅仅是修改 a 的一些性质, 例如
NumPy入门 之 数组初探: 图解view和copy (上)
coolend的专栏
10-18 1304
图解NumPy中的视图view和拷贝copy。
关于numpy与torch的各自变量的.view()方法
最新发布
weixin_46016933的博客
09-25 528
当使用NumPy和PyTorch时，两者都具有类似的.view()方法，用于改变数组或张量的形状，但它们在一些方面有所不同。下面是关于这两个库的.view()方法的教程
numpy 笔记 view，copy和numpy的运行速度
qq_40206371的博客
12-14 629
1 ndarray VS python-list Numpy 就是 C 的逻辑, 创建存储容器Array的时候是寻找内存上的一段连续空间来存放 Python 存放的时候则是不连续的区域（只是它用索引将这些区域联系起来了）, 这使得 Python 在索引这个容器里的数据时不是那么有效率 2 View & Copy Copy 顾名思义, 会将 Array 中的数据 copy 出来存放在内存中另一个地方 View 不 copy 数据, 而是给源数据加一个窗（视图），从外面看窗户里的数...
numpy关于视图和副本的区别
学习python
06-24 806
numpy在数据处理时的优势时显而易见的，谈到numpy，会经常听到关于视图和副本的说法，今天就来记录一下视图个副本的区别。 首先讲一下两者的定义： 副本是一个数据的完整的拷贝，如果我们对副本进行修改，它不会影响到原始数据，物理内存不在同一位置。 视图是数据的一个别称或引用，通过该别称或引用亦便可访问、操作原有数据，但原有数据不会产生拷贝。如果我们对视图进行修改，它会影响到原始数据，物理内存在同一位置。 理解这个定义其实可以参考python的深浅拷贝的概念，副本其实就是类似于深拷贝，是完...
numpy中文文档
01-25
numpy中文文档，里面记录了numpy中相关的操作，是一份十分好的文档～～希望大家多多支持～～
Numpy 中文用户指南
02-28
Numpy 中文用户指南Numpy 中文用户指南Numpy 中文用户指南Numpy 中文用户指南
NumPy中文文档
03-03
NumPy中文文档，数据分析利器。欢迎下载分享。多谢支持
numpy中的view和copy
贾亮的专栏
08-21 654
我们知道numpy的数据其实是一块连续的内存空间，我们在操作的时候需要注意我们操作的是view还是copy，否则的话，我们可能会修改我们不希望修改的数据。 view只是一个指向同一块内存的指针而已，两者相互影响 copy是把原始内容copy了一份，两者不相互影响 Numpy中的基础slice都只是创建一个view 使用slice之后，你可以使用以下的一些方法来判断两个不同的array是否共享数据 np.may_share_memory/np.shares_memory ndarray.base是否相等
python中 numpy f.view(‘f8,f8,f8,f8‘)函数说明
qq_35568823的博客
07-27 570
view函数参数
numpy 学习：数组改变形状、副本和view
悦光阴的博客
01-04 2994
一个数组的形状是由每个轴的元素数量决定的，可以通过reshape()和resize()函数来操纵数组的形状。transpose()函数用于数组的转置，ravel()函数用于把数组展开为一维数组，而flatten()用于获得数组展开之后的一个副本；swapaxes()函数用于交换数组的两个轴，squeeze()函数用于删除数组中长度为1的轴。 一，数组的变形 数组的转置可以通过数组的属性T来获得，...
numpy中的copy和view
大泽之国
10-17 3507
出处 python中没有传值和传引用的概念，但copy和view有类似的作用。 View view相当于传引用，view和原始数据共享一份数据，修改一个会影响另一个。 slice，array.view(dtype)可以产生view，但array.astype(dtype)产生的不是view x = np.arange(5) print('x = :\n', x) view = x[1...
python中view()函数怎么用？
热门推荐
知乎
11-19 8万+
初学者在使用pytorch框架定义神经网络时，经常会在代码中看到： 这样的用法。 view()的作用相当于numpy中的reshape，重新定义矩阵的形状。例如： import torch a = torch.range(1, 16)
numpy中的==和is和 view
嗨皮lemon的博客
05-07 371
import numpy as np a = np.arange(12) print a b = a print a is b c = a.view() print a is c print a == c d = a.copy() print a is d print a == d 输出： [ 0 1 2 3 4 5 6 7 8 9 10 11] True False ...
NumPy之三：拷贝和视图
RisingSunny的专栏
12-01 6010
NumPy官方Quickstart tutorial之拷贝和视图
numpy深入理解(1) indexing: view or copy
GongPing的专栏
10-27 602
numpy index关键是真正理解不同ndarray index模式的逻辑，不能死记。ndarray_object [index] ，如果作为“右值”，会触发ndarray_object.__getitem__(index) 这个函数的逻辑根据index的形式不同，会有很大的区别： single element indexing slice indexing array indexing
numpy中ndarray的全部用法
04-01
1. 创建ndarray数组： np.array()、np.zeros()、np.ones()、np.full()、np.arange()、np.linspace()、np.random.rand()、np.random.randn()、np.random.randint() 2. 数组属性： ndarray.shape、ndarray.dtype、ndarray.ndim、ndarray.size、ndarray.itemsize、ndarray.nbytes 3. 数组索引和切片： ndarray[index]、ndarray[start:end]、ndarray[start:end:step]、ndarray[condition]、ndarray[condition][condition]、ndarray[condition & condition]、ndarray[condition | condition] 4. 数组运算： ndarray +、ndarray -、ndarray *、ndarray /、ndarray //、ndarray %、ndarray **、ndarray +=、ndarray -=、ndarray *=、ndarray /=、ndarray //=、ndarray %=、ndarray **= 5. 数组函数： np.sort()、np.argsort()、np.concatenate()、np.split()、np.vstack()、np.hstack()、np.transpose()、np.dot()、np.sum()、np.mean()、np.std()、np.max()、np.min()、np.exp()、np.log()、np.power()、np.clip()、np.where()、np.unique()、np.save()、np.load()、np.savetxt()、np.loadtxt() 6. 数组广播： ndarray + scalar、ndarray + ndarray、ndarray * scalar、ndarray * ndarray 7. 数组复制： ndarray.copy()、ndarray.view()、ndarray.ravel()、ndarray.flatten()、ndarray.resize()、ndarray.transpose()、ndarray.swapaxes()、ndarray.squeeze()、ndarray.repeat() 8. 数组比较： ndarray ==、ndarray !=、ndarray >、ndarray >=、ndarray <、ndarray <=、np.array_equal() 9. 数组逻辑： np.logical_and()、np.logical_or()、np.logical_not()、np.logical_xor() 10. 数组迭代： for i in ndarray:、ndarray.flat、ndarray.flatten()、np.nditer()

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值