Блог

Я знаю, что для следующего:

 a=1
b=a
a=4
 

Он присваивает 1 значение to a , а затем a to b , за которым следует изменение значения a to 4 в качестве последнего шага.
Здесь, как только значение a будет изменено на 4 , никаких изменений в значении не будет b .

Аналогично для

 a=np.array([10,20,30,40,50,60])
b=a[2]

a[2]=100
 

значение b в конце кода будет 20 таким, которое было начальным a[2] .

Но когда у вас есть что-то, как указано ниже:

 a=np.array([10,20,30,40,50,60])
b=a[0:2]
 

и если мы изменимся a[0:2]=[100,200] , значение b также изменится автоматически. Похоже, что переменная b связана каким-то другим образом (что отличалось от предыдущих случаев).
И я знаю, что если код написан как b=a[0:2].copy() , то b он не изменится, даже если a будет изменен.

Итак, мой вопрос в том, где именно я должен использовать этот .copy() метод, если я не хочу изменять последнюю переменную, потому что в первых двух случаях в этом не было необходимости

Ценю вашу помощь

В первом и втором случаях вы присвоили одно значение (скалярное) b .

В третьем случае вы назначили представление 0:2 на основе фрагмента a b to (см. basic-slicing-and-indexing ). Это, по сути, многозначная ссылка на определенные элементы a (т. Е.: b[0] Действительно относится к a[0] ). Другими словами, b не владеет своими данными, но указывает на данные в a . Таким образом, при изменении a b просто отражает эти изменения, потому что оно указывает на те же самые элементы.

В общем, вам следует использовать numpy copy() , например, когда вы хотите отделить копию от оригинала:

1. когда вы собираетесь внести изменения в копию (например, не круто незаметно изменять данные вызывающего абонента),
2. если вы хотите сохранить моментальный снимок массива в этот момент, независимо от того, что произойдет с оригиналом позже,
3. когда у вас очень разреженная нарезка или в случайном порядке, и вы хотите получить более компактную копию для более быстрых операций (локальность ссылки),
4. когда вы хотите изменить флаги a или b (например, с C-continuous на F-continuous, опять же, обычно по соображениям скорости).

Что касается вашего вопроса в комментариях «есть ли какой-либо способ определить, связаны ли переменные или нет»: да. Каждый массив numpy имеет flags :

 a=np.array([10,20,30,40,50,60])
b=a[2]
b.flags.owndata
# True  -- funny given that b is a single numpy.int64, but it still has flags

b=a[0:2]
b.flags.owndata
# False

a=np.array([10,20,30,40,50,60])
b=a[0:2].copy()
b.flags.owndata
# True