ndarray的赋值、视图、拷贝和广播

简介: 1. 赋值import numpy as npmy_arr1 = np.arange(6)my_arr2 = my_arr1print(my_arr2 is my_arr1)在上面的代码中,将 my_arr1 赋值给 my_arr2,这时不会创建新的数组对象,只是多了一个引用,my_arr1 和 my_arr2 是同一个数组的两个名字。当我们改变 my_arr2 的形状时,my_arr1 的形状也会跟着改变,例如:import numpy as npmy_arr1 = np.arange(6)my_arr2 = my_arr1my_arr2.shape = (2

1. 赋值

import numpy as np
my_arr1 = np.arange(6)
my_arr2 = my_arr1
print(my_arr2 is my_arr1)

在上面的代码中,将 my_arr1 赋值给 my_arr2,这时不会创建新的数组对象,只是多了一个引用,my_arr1my_arr2 是同一个数组的两个名字。当我们改变 my_arr2 的形状时,my_arr1 的形状也会跟着改变,例如:

import numpy as np
my_arr1 = np.arange(6)
my_arr2 = my_arr1
my_arr2.shape = (2, 3)
print(my_arr2)
print(my_arr1)

上面的代码中,my_arr2 的形状改变后,my_arr1 的形状也发生了相应的改变。

2. 视图

视图方法可以实现不同的数组对象共享同样的数据。例如:

import numpy as np
my_arr1 = np.arange(6)
my_arr2 = my_arr1.view()
print(my_arr2 is my_arr1)
print(my_arr2.base is my_arr1)
print(my_arr2.flags.owndata)

从上述代码的输出可以看出,my_arr1my_arr2 是两个不同的对象,my_arr2my_arr1 的视图,my_arr2 没有自己的数据。当 my_arr2 的形状发生改变时,my_arr1 的形状并不会发生改变。但是,当 my_arr2 的数据发生改变时,my_arr1 会发生同样的改变。例如:

import numpy as np
my_arr1 = np.arange(6)
my_arr2 = my_arr1.view()
my_arr2.shape = (2, 3)
print(my_arr1.shape)
print(my_arr2.shape)
my_arr2[0, 1] = 10
print(my_arr1)

综上所述,我们可以得出视图相对于原来的数组来说,除了数据是共享的,其他都是独立的。另外,前面介绍的切片操作,得到的也是一个数组的视图。例如:

import numpy as np
my_arr1 = np.arange(6)
my_slice = my_arr1[2:4]
my_slice[:] = 10
print(my_arr1)

从上面的代码可以得出,当改变切片的数据时,原数组的数据也跟着进行了相应的改变。

3. 拷贝

从上述内容可以看出,不管是赋值还是视图,对其中一个数组的改变都会影响另外一个。那么有没有一种方法使得两者互不干扰,答案是有的,那便是拷贝。copy() 方法会生成数组的一个完整的拷贝,包括其数据。例如:

import numpy as np
my_arr1 = np.arange(6)
my_arr2 = my_arr1.copy()
print(my_arr2 is my_arr1)
print(my_arr2.base is my_arr1)

从上述代码的输出可以看出,my_arr1my_arr2 是两个独立的数组。对其中一个数组中元素的改变不会影响另外一个数组:

import numpy as np
my_arr1 = np.arange(6)
my_arr2 = my_arr1.copy()
my_arr2[2] = 10
print(my_arr1)
print(my_arr2)

4. 广播

广播(broadcasting)指的是不同形状的数组之间的算术运算的执行方式。它是一种非常强大的功能,但也容易令人误解,将标量值跟数组合并时就会发生最简单的广播,例如:

import numpy as np
my_arr1 = np.arange(6)
my_arr2 = my_arr1 * 6
print(my_arr2)

这里我们说,在这个乘法运算中,标量值 6 被广播到了其他所有的元素上。下面继续来看一个例子,我们可以通过减去列平均值的方式对数组的每一列进行距平化处理。这个问题解决起来非常简单,代码如下:

import numpy as np
my_arr1 = np.random.randn(4, 3)
demeaned = my_arr1 - my_arr1.mean(0)
print(demeaned)
print(demeaned.mean(0))

在上面的例子中,my_arr1.mean(0) 是一个 1 行 3 列的数组,当我们用一个 4 行 3 列的数组减去一个 1 行 3 列的数组时,便会对 1 行 3 列的数组进行广播。广播过程的图形化如下图所示:

网络异常,图片无法展示
|

通过 arange 函数创建一个 4*3 的 ndarray,并从此 4*3 的 ndarray 减去一个 1*3 的 ndarray,从中体会广播的操作。

相关文章
|
存储 缓存 JSON
详解HTTP四种请求:POST、GET、DELETE、PUT
【4月更文挑战第3天】
66070 3
详解HTTP四种请求:POST、GET、DELETE、PUT
|
Web App开发 运维 开发者
阿里云ACA认证考试费用是多少?有效期有多长时间?
为了跟上社会的发展,越来越多的公司选择转型,加入线上推广、挣钱的大道,这样一来就需要有大量的人才来满足需求,而阿里云ACA认证恰恰就是为了云技术新手、希望中途转行的打工人等准备的。
1674 0
阿里云ACA认证考试费用是多少?有效期有多长时间?
|
8天前
|
弹性计算 关系型数据库 微服务
基于 Docker 与 Kubernetes(K3s)的微服务:阿里云生产环境扩容实践
在微服务架构中,如何实现“稳定扩容”与“成本可控”是企业面临的核心挑战。本文结合 Python FastAPI 微服务实战,详解如何基于阿里云基础设施,利用 Docker 封装服务、K3s 实现容器编排,构建生产级微服务架构。内容涵盖容器构建、集群部署、自动扩缩容、可观测性等关键环节,适配阿里云资源特性与服务生态,助力企业打造低成本、高可靠、易扩展的微服务解决方案。
1196 4
|
7天前
|
机器学习/深度学习 人工智能 前端开发
通义DeepResearch全面开源!同步分享可落地的高阶Agent构建方法论
通义研究团队开源发布通义 DeepResearch —— 首个在性能上可与 OpenAI DeepResearch 相媲美、并在多项权威基准测试中取得领先表现的全开源 Web Agent。
1035 47
|
6天前
|
机器学习/深度学习 物联网
Wan2.2再次开源数字人:Animate-14B!一键实现电影角色替换和动作驱动
今天,通义万相的视频生成模型又又又开源了!Wan2.2系列模型家族新增数字人成员Wan2.2-Animate-14B。
554 11
|
17天前
|
人工智能 运维 安全
|
8天前
|
云栖大会
阿里云云栖大会2025年9月24日开启,免费申请大会门票,速度领取~
2025云栖大会将于9月24-26日举行,官网免费预约畅享票,审核后短信通知,持证件入场
1640 12
|
1天前
|
资源调度
除了nrm-pm,还有哪些工具可以管理多个包管理器的源?
除了nrm-pm,还有哪些工具可以管理多个包管理器的源?
211 127