Numpy数组浅拷贝与初始化

Python: Numpy数组浅拷贝与初始化

Python的语言特性不需要提前对变量进行声明，但在后续中如果要对数组中索引对象操作，则需要提前进行数组初始化，即声明数组维度。

浅拷贝初始化方法

在CFD作业中使用三阶Runge-Kutta方法进行时间推进时，错误的初始化方法使计算结果推进速度变快，即使用浅拷贝方法在一次三阶推进中连续推进了三次。

r1, r2, r3 = r0[:], r0[:], r0[:] # 均为np.array()
for j in range(2, nx-2):
	r1[:,j] = r0[:,j] - dt/dx * df_SCS(f0[0],f0[1],j,SCS) 
f1 = from_r_to_f(r1)
for j in range(2, nx-2):
    r2[:,j] = 0.75 * r0[:,j] + 0.25 * r1[:,j] - 0.25 * dt/dx * df_SCS(f1[0],f1[1],j,SCS)
f2 = from_r_to_f(r2)
for j in range(2, nx-2):
    r3[:,j] = 1./3 * r0[:,j] + 2./3 * r2[:,j] - 2./3 * dt/dx * df_SCS(f2[0],f2[1],j,SCS)
f3 = from_r_to_f(r3)

在代码中使用r0切片对r1, r2, r3，发现如果需要具体对每一个索引j操作时，仍属于浅拷贝赋值，对r0，r1，r2，r3中任意一个的改变，均使其他变量连锁变化。
使用一个简单的示例：

import numpy as np
m = np.arange(3) # m = np.array([0,1,2]) 
a,b,c = m[:],m[:],m[:] # Or a,b,c = m,m,m

for i in range(m.shape[0]):
    a[i] = m[i] - 6*m[i]
print(m,a,b,c) 
# m,a,b,c = [0,-5,-10]

熟悉C\C++语言的同学可以简单的使用指针对浅拷贝理解，浅拷贝即只将数组存储的地址进行传递，而不传递存储的值，对变量a, b, c或者m操作本质都是对存储在这片区域的同一个数组[0,1,2]操作，即浅拷贝过程中不存在新产生的数组，只有原地址的拷贝，类似于：

#include<iostream>
using namespace std;

int main(){
    int a[5] = {1, 2, 3, 4, 5};
    int*b = a;
    for(int i=0;i<5;i++){
        cout << b[i] << endl;
    }
    return 0;
}

选择合适的数组初始化方法

简单的使用b = np.array(a)，即可完成对数组元素的拷贝，将3阶Runge-Kutta方法进行如下修改则可获得正常的时间推进：

r1, r2, r3 = np.array(r0), np.array(r0), np.array(r0)
for j in range(2, nx-2):                           
	r1[:,j] = r0[:,j] - dt/dx * df_SCS(f0[0],f0[1],j,SCS) 
f1 = from_r_to_f(r1)
for j in range(2, nx-2):
    r2[:,j] = 0.75 * r0[:,j] + 0.25 * r1[:,j] - 0.25 * dt/dx * df_SCS(f1[0],f1[1],j,SCS)
f2 = from_r_to_f(r2)
for j in range(2, nx-2):
    r3[:,j] = 1./3 * r0[:,j] + 2./3 * r2[:,j] - 2./3 * dt/dx * df_SCS(f2[0],f2[1],j,SCS)
f3 = from_r_to_f(r3)

或者也可以简单使用形状进行初始化：

r1 = np.zeros_like(r0)
r1 = np.zeros(r0.shape)

在编程中要充分考虑变量的用途是什么，合理选择初始化方法，可以大大减少Debug所耗费时间。