python - numpy 的deep copy 问题

问题描述

问 题

在列表中，b=a[:]和b=a.copy()是具有相同效果的，都可以用来deep copy,但是在numpy　数组中两者效果却不同，b=a[:]复制后b仍然随着a的改变而改变，但是两者指向的内存地址却不同，b is a也返回false,这是为什么呢？谢谢！

>>>import numpy as np
>>>a=np.arange(4)
>>>b=a
>>>c=a[:]
>>>d=a.copy()
>>>a[3]=10
>>>id(a)
140572616448320
>>>id(b)
140572616448320         # a,b的指针地址相同
>>>id(c)
140572616446080
>>>id(d)
140572616448640　
>>>a
array([ 0,  1,  2, 10])
>>>b
array([ 0,  1,  2, 10])
>>>c
array([ 0,  1,  2, 10])　# a,c的指针地址不同，变化却是一致的
>>>d
array([0, 1, 2, 3])

解决方案

numpy关于copy有三种情况，完全不复制、视图（view）或者叫浅复制（shadow copy）和深复制（deep copy）。

而b = a[:]就属于第二种，即视图，这本质上是一种切片操作（slicing），所有的切片操作返回的都是视图。具体来说，b = a[:]会创建一个新的对象b（所以说 id 和a不一样），但是b的数据完全来自于a，和a保持完全一致，换句话说，b的数据完全由a保管，他们两个的数据变化是一致的，可以看下面的示例:

a = np.arange(4)  # array([0, 1, 2, 3])
b = a[:]  # array([0, 1, 2, 3])

b.flags.owndata  # 返回 False，b 并不保管数据
a.flags.owndata  # 返回 True，数据由 a 保管

# 改变 a 同时也影响到 b
a[-1] = 10  # array([0, 1, 2, 10])
b  #  array([0, 1, 2, 10])

# 改变 b 同时也影响到 a
b[0] = 10  # array([10, 1, 2, 10])
a  # array([10, 1, 2, 10])

b = a 和 b = a[:] 的差别就在于后者会创建新的对象，前者不会。两种方式都会导致a和b的数据相互影响。

要想不让a的改动影响到b，可以使用深复制：

unique_b = a.copy()

这篇关于python - numpy 的deep copy 问题的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！