Copies et vues NumPy

Une copie est une copie complète des données. Si nous modifions la copie, cela n'affectera pas les données d'origine ; elles ne se trouvent pas au même emplacement de mémoire physique.

Une vue est un alias ou une référence aux données. Grâce à cet alias ou à cette référence, vous pouvez accéder aux données d'origine et les manipuler, mais aucune copie des données d'origine n'est effectuée. Si nous modifions la vue, cela affectera les données d'origine ; elles se trouvent au même emplacement de mémoire physique.

Les vues se produisent généralement dans les cas suivants :

  • 1. Les opérations de découpage NumPy renvoient une vue des données d'origine.
  • 2. L'appel de la fonction view() de ndarray produit une vue.

Les copies se produisent généralement dans les cas suivants :

  • Les opérations de découpage de séquences Python, et l'appel de la fonction deepCopy().
  • L'appel de la fonction copy() de ndarray produit une copie.

Aucune copie

Une affectation simple ne crée pas de copie de l'objet tableau. À la place, elle utilise le même id() que le tableau d'origine pour y accéder. id() renvoie un identifiant générique pour un objet Python, semblable à un pointeur en C.

De plus, toute modification apportée à un tableau se répercute sur l'autre tableau. Par exemple, modifier la forme d'un tableau modifiera également la forme de l'autre tableau.

Exemple

import numpy as np a = np.arange(6) print ('Notre tableau est :') print (a) print ('Appeler la fonction id() :') print (id(a)) print ('Affecter a à b :') b = a print (b) print ('b a le même id() :') print (id(b)) print ('Modifier la forme de b :') b.shape = 3,2 print (b) print ('La forme de a est également modifiée :') print (a)

Le résultat de sortie est:

我们的数组是:
[0 1 2 3 4 5]
调用 id() 函数:
4349302224
a 赋值给 b:
[0 1 2 3 4 5]
b 拥有相同 id():
4349302224
修改 b 的形状:
[[0 1]
 [2 3]
 [4 5]]
a 的形状也修改了:
[[0 1]
 [2 3]
 [4 5]]

Vue ou copie superficielle

La méthode ndarray.view() crée un nouvel objet tableau. La modification des dimensions du nouveau tableau créé par cette méthode ne modifie pas les dimensions des données d'origine.

Exemple

import numpy as np # Initialement, a est un tableau 3X2 a = np.arange(6).reshape(3,2) print ('Tableau a :') print (a) print ('Créer une vue de a :') b = a.view() print (b) print ('Les id() des deux tableaux sont différents :') print ('L'id() de a :') print (id(a)) print ('id() de b :' ) print (id(b)) # La modification de la forme de b ne modifie pas a b.shape = 2,3 print ('forme de b :') print (b) print ('forme de a :') print (a)

Le résultat de sortie est:

数组 a:
[[0 1]
 [2 3]
 [4 5]]
创建 a 的视图:
[[0 1]
 [2 3]
 [4 5]]
两个数组的 id() 不同:
a 的 id():
4314786992
b 的 id():
4315171296
b 的形状:
[[0 1 2]
 [3 4 5]]
a 的形状:
[[0 1]
 [2 3]
 [4 5]]

L’utilisation de tranches pour créer des vues et modifier les données affectera le tableau d’origine :

Exemple

import numpy as np arr = np.arange(12) print ('Notre tableau :') print (arr) print ('Créer une tranche :') a=arr[3:] b=arr[3:] a[1]=123 b[2]=234 print(arr) print(id(a),id(b),id(arr[3:]))

Le résultat de sortie est:

我们的数组:
[ 0  1  2  3  4  5  6  7  8  9 10 11]
创建切片:
[  0   1   2   3 123 234   6   7   8   9  10  11]
4545878416 4545878496 4545878576

Les variables a et b sont toutes deux des vues de parties de arr. Les modifications apportées aux vues sont directement reflétées dans les données d'origine. Mais si nous observons les identifiants de a et b, ils sont différents. C'est-à-dire que, bien que les vues pointent vers les données d'origine, elles restent différentes des références d'affectation.

Copie ou copie profonde

La fonction ndarray.copy() crée une copie. La modification des données de la copie n'affecte pas les données d'origine ; elles ne se trouvent pas au même emplacement de mémoire physique.

Exemple

import numpy as np a = np.array([[10,10], [2,3], [4,5]]) print ('Tableau a :') print (a) print ('Créer une copie profonde de a :') b = a.copy() print ('Tableau b :') print (b) # b ne partage rien avec a print ('Pouvons-nous écrire dans b pour modifier a ?') print (b is a) print ('Modifier le contenu de b :') b[0,0] = 100 print ('Le tableau b modifié :') print (b) print ('a reste inchangé :') print (a)

Le résultat de sortie est:

数组 a:
[[10 10]
 [ 2  3]
 [ 4  5]]
创建 a 的深层副本:
数组 b:
[[10 10]
 [ 2  3]
 [ 4  5]]
我们能够写入 b 来写入 a 吗?
False
修改 b 的内容:
修改后的数组 b:
[[100  10]
 [  2   3]
 [  4   5]]
a 保持不变:
[[10 10]
 [ 2  3]
 [ 4  5]]

Plus d'articles connexes

Analyse de l'affectation directe, de la copie superficielle et de la copie profonde en Python

Autres extensions