NumPy 副本和视图

 

NumPy 副本和视图

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。

视图一般发生在：

• 1、numpy 的切片操作返回原数据的视图。
• 2、调用 ndarray 的 view() 函数产生一个视图。

副本一般发生在：

• Python 序列的切片操作，调用deepCopy()函数。
• 调用 ndarray 的 copy() 函数产生一个副本。

无复制

简单的赋值不会创建数组对象的副本。 相反，它使用原始数组的相同id()来访问它。 id()返回 Python 对象的通用标识符，类似于 C 中的指针。

此外，一个数组的任何变化都反映在另一个数组上。 例如，一个数组的形状改变也会改变另一个数组的形状。

import numpy as np

a=np.arange(6)

print('我们的数组是：')

print(a)

print('调用id()函数：')

print(id(a))

print('a赋值给b:')

b=a

print('调用id()函数：')

print(id(b))

print('改变b的形状:')

b.shape=3,2

print(b)

print('a的形状也修改了：')

print(a)

 

------------------执行以上程序，返回的结果为---------------

我们的数组是：
[0 1 2 3 4 5]

调用id()函数：
2174692600208

a赋值给b:
调用id()函数：
2174692600208

改变b的形状:
[[0 1]
 [2 3]
 [4 5]]

a的形状也修改了：
[[0 1]
 [2 3]
 [4 5]]

视图或浅拷贝

ndarray.view() 方会创建一个新的数组对象，该方法创建的新数组的维数更改不会更改原始数据的维数。

import numpy as np

#开始 a是一个3×2的数组

a=np.arange(6).reshape(3,2)

print('我们的数组是：')

print(a)

print('创建a的视图：')

b=a.view()

print(b)

print('a的id():')

print(id(a))

print('b的id():')

print(id(b))

print('改变b的形状：')

b.shape=2,3

print('b的形状：')

print(b)

print('a的形状：')

print(a)

 

------------------执行以上程序，返回的结果为---------------

我们的数组是：
[[0 1]
 [2 3]
 [4 5]]

创建a的视图：
[[0 1]
 [2 3]
 [4 5]]

a的id():
2097277414016

b的id():
2097280668656

改变b的形状：
b的形状：
[[0 1 2]
 [3 4 5]]

a的形状：
[[0 1]
 [2 3]
 [4 5]]

使用切片创建视图修改数据会影响到原始数组：

import numpy as np

arr=np.arange(12)

print('我们的数组是：')

print(arr)

print('我们的切片：')

a=arr[3:]

b=arr[3:]

a[1]=123

b[2]=456

print(arr)

print(id(a),id(b),id(arr[3:]))

 

------------------执行以上程序，返回的结果为---------------

我们的数组是：
[ 0  1  2  3  4  5  6  7  8  9 10 11]

我们的切片：
[  0   1   2   3 123 456   6   7   8   9  10  11]

1891795293088 1889894133632 1889894132752

 

变量 a,b 都是 arr 的一部分视图，对视图的修改会直接反映到原数据中。但是我们观察 a,b 的 id，他们是不同的，也就是说，视图虽然指向原数据，但是他们和赋值引用还是有区别的。

副本或深拷贝

ndarray.copy() 函数创建一个副本。 对副本数据进行修改，不会影响到原始数据，它们物理内存不在同一位置。

import numpy as np

a=np.array([[1,20],[4,5],[7,8]])

print('数组a：')

print(a)

print('创建a的深层副本：')

b=np.copy(a)

print('数组b:')

print(b)

#b与a不共享任何内容

print('我们能够写入b来写入a吗？')

print(b is a)

print('修改b的内容：')

b[0,0]=100

print('数组b：')

print(b)

print('数组a:')

print(a)

 

------------------执行以上程序，返回的结果为---------------

数组a：
[[ 1 20]
 [ 4  5]
 [ 7  8]]

创建a的深层副本：
数组b:
[[ 1 20]
 [ 4  5]
 [ 7  8]]

我们能够写入b来写入a吗？
False

修改b的内容：
数组b：
[[100  20]
 [  4   5]
 [  7   8]]

数组a:
[[ 1 20]
 [ 4  5]
 [ 7  8]]

 

Python 中 list 的拷贝与 numpy 的 array 的拷贝

1.python中列表list的拷贝，会有什么需要注意的呢？

 

Python 变量名相当于标签名。

list2=list1 直接赋值，实质上指向的是同一个内存值。任意一个变量 list1（或list2）发生改变，都会影响另一个 list2(或list1)。

例如：

>>> list1=[1,2,3,4,5,6]
>>> list2=list1
>>> list1[2]=88
>>> list1 [1, 2, 88, 4, 5, 6]
>>> list2
[1, 2, 88, 4, 5, 6]

而 list3 和 list4 是通过切片对 list1 的复制操作，分别指向了新的值。任意改变 list3 或 list4 的值，不会影响其他。

2.要使用 ndarray 类型的数组，需要 from numpy import * 引用工具包 numpy。

而对 ndarray 类型的数据进行拷贝时，跟 list 类型有一点区别。

数组切片是原始数组的视图，这意味着数据不会被复制，视图上的任何修改都会被直接反映到源数组上。

array1, array2, array3, array4 实际指向同一个内存值，任意修改其中的一个变量，其他变量值都会被修改。

若想要得到的是 ndarray 切片的一份副本而非视图，就需要显式的进行复制操作函数 copy()。

例如：

array5=array1.copy()      # 对原始的 array1 的复制
array6=array1[1:4].copy() # 对切片 array1[1:4] 的复制

那么，修改 array5 或 array6，就不会影响 array1。

import numpy as np
a = np.arange(4)
b = a
# 改变a中第一个元素的值
a[0] = 9
print(a)
print(b)

 

------------------执行以上程序，返回的结果为---------------

[9 1 2 3]
[9 1 2 3]

可以看到，改变 a 后，b 的值也跟着变了，这是为什么呢？

实际上，变量 a 中并没有存储任何的值，它只是指向了一个内存地址，而这个地址里存储着 array 具体的内容，当把a赋值给b的时候，实际上是把 a 指向内存中某对象的链接赋给了 b，也就是说，现在 a 和 b 都指向了同一个对象。

因此，在改变了内存中 array 的值后，而 a 与 b 都引用了该 array 对象，所以都一起发生了变化。

这种将内存引用赋值给另一个变量的操作叫做浅拷贝。

那什么是深拷贝呢，其实就是在赋值的时候，不把同一个内存对象的引用赋值给另一个变量，令两个变量所指向的对象不一样，更改值的时候不相互影响，这种操作就是深拷贝。