NumPy_03_视图与拷贝

最新推荐文章于 2024-05-01 06:03:04 发布
最新推荐文章于 2024-05-01 06:03:04 发布
阅读量234 收藏
点赞数
分类专栏： numpy python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/baidu_41805096/article/details/108589557
版权
本文深入探讨了浅拷贝与深拷贝的概念，解释了两种拷贝方式的区别及应用场景。浅拷贝仅复制对象的第一层引用，而深拷贝则完全复制对象的所有层级，确保了数据独立性。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

（一）拷贝

1、浅拷贝：

对另外一个变量的内存地址的拷贝，这两个变量指向同一个内存地址的变量值。（如果其中一个变量的值改变，另外一个也会改变。）

（1）np.asarray(a, dtype=None, order=None)
在这里插入图片描述
（2）数组b = 数组a
在这里插入图片描述
2、深拷贝：

一个变量对另外一个变量的值拷贝，会开辟新的内存空间进行存储

特点：
（1）两个变量指向的内存地址不同
（2）拷贝完后，变量之间值的改变互不影响

ndarray.copy()
在这里插入图片描述

（二）视图

ndarray.view()
创建一个查看相同数据的新数组对象，新的数组与原数组之间数据变化相互影响

在这里插入图片描述

Python NumPy 数组的复制与视图区别
Python编程之道的博客
05-17 589
在使用 Python 的 NumPy 库进行科学计算和数据处理时，经常需要对数组进行复制或创建视图。理解数组复制和视图的区别至关重要，因为这直接关系到内存的使用效率和数据的安全性。本文的目的是深入讲解 NumPy 数组复制与视图的区别，涵盖从基本概念到实际应用的各个方面，帮助读者正确地在不同场景下选择合适的操作。本文首先介绍相关术语和核心概念，通过示意图和流程图帮助读者理解。接着详细讲解核心算法原理，并给出 Python 代码示例。然后引入数学模型和公式进行进一步说明。
2.数据分析-Numpy_①
哦吼
07-07 356
1 numpy初见 1.1 ndarray的介绍 import numpy as np import matplotlib.pyplot as plt from pylab import mpl #显示中文字体 mpl.rcParams["font.sans-serif"] = ["SimHei"] #设置正常显示字符 mpl.rcParams["axes.unicode_minus"] = False #hello numpy x=np.array([[1,2,3], [9,8
numpy 拷贝和视图
lan_4的博客
10-08 149
视图或浅拷贝 不同的数组对象可以共享相同的数据。该view方法创建一个查看相同数据的新数组对象。 >>> c = a.view() >>> c is a False >>> c.base is a # c is a view of the data owned by a True >>> c.flags.owndata False >>> >>> c.sh
numpy系列之拷贝和视图
Rong_Gong的博客
01-30 505
在初学numpy过程中，当对数组进行运算和操作时，其数据有时会被拷贝到一个新的数组而有时又不会拷贝。这一点常常对刚使用NumPy的编者造成困惑。经查阅相关文档以下有三种情况: 1.No Copy At All(完全不拷贝) 简单的任务是不会对数组或其数据进行拷贝的。 Python传递可变对象的引用，因此函数调用不会进行拷贝。 2.View or Shallow Co
pandas-视图与拷贝
lildn的博客
03-12 498
视图与拷贝（.view&.copy）
weixin_62392668的博客
11-02 515
视图（.view）： c = a.view() c是a 的视图，可以理解为c是虚拟的，c里面没有内容，他只是将a的内容展示出来，但是它俩的地址不一样。改变c的值，a也会改变，但是改变c 的形状a 并不会改变。深拷贝:(.copy)：完全是两个东西，只是借用内容，相当于在电脑上复制一个文件到其他地方，文件内容一样，但是地址不同，之后任意改变一个文件，另一个不会改变，相互独立。完全不拷贝：a与b共用同一个地址（b=a）,a和b指的是同一个内容，只是叫法不一样，内容地址都一样，所以改变a,b也会变。
【python | pandas】关于pandas处理的copy和view理解与报错处理
Mart_inn的博客
08-09 1595
关于pandas处理的copy和view理解与报错处理
NumPy test_numpy_ptyhon_
09-29
2. **浅拷贝（view）**：创建数组的共享视图，改变视图会影响原始数组。 **四、广播机制** 广播是NumPy处理不同形状数组相加、相乘等操作的一种方式。当操作的数组形状不匹配时，NumPy会自动扩展较小的数组以适应...
对python中list的拷贝与numpy的array的拷贝详解
09-19
与Python内置的`list`类似，NumPy数组也可以进行拷贝操作。 #### 数组切片 vs 复制 - **数组切片**：在NumPy中，使用切片操作创建的新数组实际上是原始数组的一个视图，而不是独立的副本。这意味着对视图的任何...
2024年Python最新Numpy详细教程_numpy详细教程 机器学习研究组
2301_82244125的博客
05-01 1052
数组类型可以在创建时显示指定通常，数组的元素开始都是未知的，但是它的大小已知。因此，NumPy提供了一些使用占位符创建数组的函数。这最小化了扩展数组的需要和高昂的运算代价。函数function创建一个全是0的数组，函数ones创建一个全1的数组，函数empty创建一个内容随机并且依赖与内存状态的数组。默认创建的数组类型(dtype)都是float64。当arange使用浮点数参数时，由于有限的浮点数精度，通常无法预测获得的元素个数。因此，最好使用函数linspace。
NumPy之三：拷贝和视图
RisingSunny的专栏
12-01 6074
NumPy官方Quickstart tutorial之拷贝和视图
Numpy中的深拷贝与浅拷贝（视图）
xxq2002的博客
02-24 3239
Copy and View (拷贝与视图)
harry的博客
04-28 3232
当对数组进行运算和操作时，其数据有时会被拷贝到一个新的数组而有时又不会拷贝。这一点常常对刚使用NumPy的用户造成困惑。以下有三种情况: 1、不拷贝 对数组或其他数据的简单赋值不产生拷贝。 Python使用引用传递可变对象，因此函数调用也不产生拷贝。 2、视图(View) 或 浅拷贝(Shallow Copy) 不同的数组对象可以共享同一份数据。view()方法可...
python--NumPy/Pandas 数据赋值时的视图和副本问题
by 一目
05-28 2115
1.NumPy数组的切片、赋值将一个标量赋值给一个切片（如arr[5:8]=12）时，该值会自动传播到整个选区。跟列表最重要的区别在于，数组切片是原始数组的视图。即数据不会被复制，视图上的任何修改 都会直接反映到源数组上。注：如果想要得到的是ndarray切片的一份副本而非视图，就需要显式地进行复制操作，如arr[5:8].copy()。2.pandas--DataFrame数据切片、赋值通过索引...
拯救pandas计划（9）——浅谈pandas中的深浅拷贝
weixin_46281427的博客
03-20 3337
拯救pandas计划（9）——浅谈pandas中的深浅拷贝/ 数据需求/ .copy(deep=True)/ 函数使用/ 总结 最近发现周围的很多小伙伴们都不太乐意使用pandas，转而投向其他的数据操作库，身为一个数据工作者，基本上是张口pandas，闭口pandas了，故而写下此系列以让更多的小伙伴们爱上pandas。 系列文章说明： 系列名（系列文章序号）——此次系列文章具体解决的需求 平台： windows 10 python 3.8 pandas >=1.2.4 / 数据需求 有时在
拷贝和视图（numpy和list）
xiaohuihui1994的博客
10-22 713
当对数组进行运算和操作时，其数据有时会被拷贝到一个新的数组而有时又不会拷贝。这一点常常对刚使用NumPy的用户造成困惑。以下有三种情况: 1. 完全不拷贝 简单的任务是不会对数组或其数据进行拷贝的。 >>&
Pandas 中 SettingwithCopyWarning 的原理和解决方案
weixin_30652271的博客
01-30 831
原文链接：https://www.dataquest.io/blog/settingwithcopywarning/ 原文标题：Understanding SettingwithCopyWarning in pandas 原文发布时间：5 JULY 2017（需要注意时效性，文中有一些方法已经弃用，比如 ix） 作者：Benjamin Pryke 译者：Ivy Lee 学习 Py...
pandas的引用与复制
lyx的专栏
04-23 1万+
之前一直以为pandas任何的切片和筛选都是引用，也就是说，会改变最原始的数据。但是前几天发现并不是这样的。         下面对最常见的几种pandas 数据截取的方式做一个整理。 import pandas as pd def df_gen(): l1 = [1,2,3] l2 = [4,5,6] l3 = [7,6,5] df_t = pd.DataFr
windows下安装miniconda详细教程
热门推荐
baidu_41805096的博客
09-09 2万+
1、可在清华大学开源软件镜像站下载安装包 https://mirrors.tuna.tsinghua.edu.cn/ 2、检索anaconda，并点击 3、选择miniconda 4、下载适合的版本 5、安装 一路默认点击next 6、添加环境变量 将以下三个路径添加到环境变量path中 7、验证安装是否成功 cmd到黑窗口 ...
to_numpy 详解
最新发布
04-10
### to_numpy 方法的详细用法和解释 `to_numpy()` 是 Pandas 中的一个重要方法，主要用于将 `Series` 或 `DataFrame` 转换为 NumPy 数组。这种方法在数据科学、机器学习和数值计算领域非常有用，因为它允许我们利用 NumPy 高效的多维数组对象及其丰富的操作功能。 #### 方法定义 `to_numpy()` 的基本语法如下： ```python Series.to_numpy(dtype=None, copy=False, na_value=None) ``` 或者对于 `DataFrame`: ```python DataFrame.to_numpy(dtype=None, copy=False) ``` #### 参数详解 1. **dtype**: 可选参数，指定目标数据类型。如果未提供，则会自动推断数据类型[^2]。 2. **copy**: 布尔值参数，默认为 `False`。它决定了返回的 NumPy 数组是否是一个独立的副本还是原数据的视图。需要注意的是，即使设置为 `False`，也不一定能保证无复制行为发生；而当设为 `True` 时，则强制创建一个新的副本[^5]。 3. **na_value**: 对于 `Series` 类型有效，用于替代缺失值（如 NaN）。如果没有特别指明该参数，则默认保持原有的缺失值不变。 #### 示例代码及解析 以下是几个具体的例子来演示如何使用 `to_numpy()` 方法： ##### 示例 1: 基础转换 下面展示了最简单的场景——把一个普通的 Pandas Series 转换成 NumPy 数组。 ```python import pandas as pd s = pd.Series([10, 20, 30]) array = s.to_numpy() print(array) # 输出：[10 20 30] ``` 这里没有任何额外选项被启用，因此直接得到了原始序列对应的纯数字形式的一维 NumPy 数组。 ##### 示例 2: 数据类型的显式声明 有时我们需要确保最终得到的结果具有特定的数据精度或格式，在这种情况下就可以通过设定 `dtype` 来实现这一点。 ```python df = pd.DataFrame({'Numbers': [1., 2., 3.]}) result = df['Numbers'].to_numpy(dtype='int') print(result) # 输出：[1 2 3] ``` 在这个实例里，尽管源数据是以浮点数的形式存储的，但我们成功将其转化为整数类型的数组[^3]。 ##### 示例 3: 缺失值处理 当我们面对含有空缺项的数据集时，可以通过调整 `na_value` 参数来自定义这些特殊位置的表现方式。 ```python series_with_nan = pd.Series([1, float('nan'), 3]) converted_array = series_with_nan.to_numpy(na_value=0) print(converted_array) # 输出：[1 0 3] ``` 上述片段表明所有的 NaN 已经被零所取代[^2]。 ##### 示例 4: 复制控制 最后来看一下关于拷贝机制的部分。假设存在某种情况要求我们必须获得完全分离的新实体而不是共享底层缓冲区的话，那么就需要明确指出这个需求。 ```python original_series = pd.Series([7, 8, 9]) new_copy = original_series.to_numpy(copy=True) # 修改原始系列不会影响新生成的数组 original_series.iloc[0] = -1 print(new_copy) # 输出仍然是：[7 8 9] ``` 此部分强调了即便基础结构发生变化也不会波及到已经提取出来的单独个体[^5]。 ### 总结 综上所述，`to_numpy()` 不仅提供了便捷途径让开发者能够轻松切换至更强大的运算环境之中，同时还赋予他们足够的灵活性去定制化输出特性以满足不同应用场景下的具体需求。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值