python和numpy中修改变量发生牵一发而动全身的问题

最新推荐文章于 2024-06-02 16:48:54 发布

少喝奶茶qaq

最新推荐文章于 2024-06-02 16:48:54 发布

阅读量596

点赞数

分类专栏： python学习文章标签： python numpy

本文链接：https://blog.csdn.net/qq_48633796/article/details/126853471

版权

python学习专栏收录该内容

6 篇文章 0 订阅

订阅专栏

牵一发而动全身问题

python基础

可变数据类型

由于python动态语言的特性，变量定义、赋值等操作有时候可能会出现牵一发动全身的问题，也就是修改一个变量，另一个变量也被修改的情况。例如一个简化的情况

b = [1]
a = [1]
b = a
a[0] = 3
b # -> [3]

此时发现b的值变成了[3]，但是如果上面赋给a,b的不是只有一个元素的列表，而是数字，此时发现b的值不会发生改变，这是为什么呢？
要回答这个问题，我们首先要知道如下的概念：

赋值：在python中，给对象赋值(b=a)实际上是对象的引用。当创建一个对象，然后把它赋值给另一个变量的时候，python只是拷贝了这个对象的引用，这个时候两个变量指向的是同一块内存地址
浅拷贝：重新分配一块内存，创建一个新的对象，但里面的元素是原对象中各个子对象的引用。对数据采用浅拷贝的方式时，如果原对象中的元素不可变，那倒无所谓；但如果元素可变，浅拷贝通常会出现一些问题，也就是在不嵌套（对象里面没有子对象）的时候不会出现牵一发而动全身的情况，但是如果有嵌套列表等的时候，列表中的子列表会被动全身。
1. 数据类型本身的构造器，如list(), set(), dict()等函数
```
dict1 = {1:[1,'w'], 2:0, 3:98}
dict2 = dict(dict1)
print("dict1 == dict2 ?",dict1 == dict2) # 值相等
print("dict1 is dict2 ?",dict1 is dict2) # 但是它们指向的内存空间不同
print(id(dict1),id(dict2)) # 而且id也不同
```
1. 可变序列类型(例如列表、np数组)的切片:操作符
```
list1 = [[1], [2], [3]]
list2 = list1[:]
list3 = list1[0]
list1[0][0] = [520]
list2 # -> [[520], [2], [3]]
list3 # -> [520]
# 但是改成list1 = [1,2,3]，那么都不会发生牵一发而动全身的情况
```
对于字典和集合而言，不能使用切片操作符:来完成浅拷贝
1. copy.copy()函数两种方式来完成浅拷贝
```
import copy
list1 = [1, 2, 3]
list2 = copy.copy(list1)
```
深拷贝：使用copy.deepcopy()来实现对象的深拷贝

不可变数据类型

什么是可变和不可变数据类型呢？首先我们需要知道，在定义变量的时候，是先创建一块内存空间，将值放进去，然后变量名里存放着该内存空间的内存地址。

可变类型：在不改变内存空间的情况下，可以改变其值。也即在id()保持固定的情况下，值可以被改变
不可变类型：具有固定值的对象，包括数字、字符串和元组。如果必须存储一个不同的值，则必须创建新的对象。
在python中，每个对象都有各自的编号、类型和值。一个对象被创建后，它的编号(id)和类型绝不会改变。is运算符比较两个对象的编号是否相同；id()函数返回一个代表其编号的整型数。type()函数返回一个对象的类型（类型本身也是对象）。具体的知识可以见这里
对于元组、字符串等不可变数据类型，上述浅拷贝方法会开辟新的内存地址，但其中存放的是指向相同元组的引用(有点像指针)

import copy
set1 = 'operation'
set2 = copy.copy(set1)
print(set2)
print("set1 == set2 ?",set1 == set2)
print("set1 is set2 ?",set1 is set2)

Numpy基础

在numpy中，直接赋值b=a则两个变量的内存地址是一样的，这点和python基础中的一样。而切片也会造成牵一发而动全身的情况。
其他的还有view()方法，
numpy中的拷贝有copy()方法和数组索引，切片和数组组合索引相结合返回的也是拷贝。
拷贝还有reshape()方法等
(注意，在numpy中没有浅拷贝和深拷贝之分，统一称为拷贝)

import numpy as np
a = np.array([[1,3,5,7], [4,6,8,10]])
b = a
c = a.copy()
print('a的地址:', id(a))
print('b的地址:', id(b))
print('c的地址:', id(c))
b[0, 0] = 520
print('a is\n',a) # 改变b使得a也被改变
c[1, 3] = 521
print('c is\n',c) # c被改变了
print('a is\n',a) # 但是a没有被改变

a = np.array([1,2,3,4,5])
qiepian = a[2:]
qiepian[0] = 5200
print('qiepian is\n', qiepian)
print('a is\n',a) # 切片也会牵一发而动全身

还有两种情况是：

Numpy数组作为参数对象输入函数，在函数中修改数组的值，则原来数组也会被修改
Numpy数组的形状改变时候，会重新分配新的内存存储改变形状的新数组，但是view()方法不会。

一个可视化神器

为了方便、直观地看出来到底是引用还是浅拷贝还是深拷贝，我们可以在pythontutor网站上进行变量的可视化查看。

参考文章

https://blog.csdn.net/qq_40630902/article/details/119278072
https://www.cnblogs.com/liqianxin/p/12426525.html
https://zhuanlan.zhihu.com/p/371403187?utm_source=wechat_session&utm_medium=social&utm_oi=549681733273067520&utm_campaign=shareopn