Numpy常用概念-对象的副本和视图、向量化、广播机制

妖狐艹你老母 2023-06-01 11:18 13阅读 0赞

### 一、引言 ###

在我们操作数组的时候，返回的是新数组还是原数组的链接，我们就需要了解对象副本和视图的区别。

向量化和广播是numpy内部实现的基础。

### 二、对象副本和视图 ###

我们应该注意到，在操作数组的时候返回的不是视图就是副本。

副本：复制

视图：链接

1.所有的赋值运算不会为此创建副本。把数组a赋值给了数组b，实际上不是为数组a创建副本，b只是调用a的另一种方式。实际上，修改了b数组的第二个元素，a数组的第二个数组也随之被改变。

In [1]: a = np.array([1,2,3,4,5])
    
    In [2]: a
    Out[2]: array([1, 2, 3, 4, 5])
    
    In [3]: b = a
    
    In [4]: b
    Out[4]: array([1, 2, 3, 4, 5])
    
    #修改b数组的第二个元素，a数组的第二个元素也随即改变
    In [5]: b[1] = 6
    
    In [6]: a
    Out[6]: array([1, 6, 3, 4, 5])

2.切片操作得到的结果也是指向相同的对象。

In [9]: c = a[0:2]
    
    In [10]: c
    Out[10]: array([1, 6])
    
    In [11]: c[0] = 5
    
    In [12]: a
    Out[12]: array([5, 6, 3, 4, 5])

3.为数组创建副本，使用copy()

In [12]: a
    Out[12]: array([5, 6, 3, 4, 5])
    
    In [13]: a = np.array([1,2,3,4])
    
    In [14]: d = a.copy()
    
    In [15]: d
    Out[15]: array([1, 2, 3, 4])
    
    In [16]: d[0] = 5
    #数组d元素的改变并不会影响数组a
    In [17]: a
    Out[17]: array([1, 2, 3, 4])

### 三、向量化 ###

有了向量化，编写code时无需使用循环，因为他在内部已经实现了。向量化使得代码更简洁，可读性更强。

数组相乘可以：a \* b  而不需要for遍历数组相乘。

### 四、广播机制 ###

1、广播机制实现了对两个或以上数组的运算或函数处理，即使这些数组的形状或长短不完全相同。

2、广播机制条件（满足其一即可）：1.两个数组的每一维等长 2.其中一个数组为一维数组

3、广播机制有两条规则：

1)为确实的维度补上个1.如果这时满足了兼容性条件，就可以使用广播机制了。

2）扩展最小数组，使得它与最大的数组大小相同，以便使用元素级的函数或运算符。

In [17]: a = np.array([1,2,3])
    Out[17]: array([1, 2, 3,])
    
    In [18]: b = np.arange(0,9).reshape(3,3)
    
    In [19]: b
    Out[19]:
    array([[0, 1, 2],
           [3, 4, 5],
           [6, 7, 8]])
    
    #假定为数组a用已有的值进行了填充
    #array([[1, 2, 3,],
    #          [1, 2, 3,],
    #          [1, 2, 3,]])
    In [20]: a+b
    Out[20]:
    array([[1, 3, 5],
           [4, 6, 8],
           [7, 9, 11]])

假定（一维数组）使用了原有的值填充，使得与另一个数组维度相同，他们的值就可以相加了。

即使更复杂的数组，两个数组形状不同、维度不同、互有长短。也仍然相互兼容，因此广播规则仍然适用。

In [21]: m = np.arange(6).reshape(3,1,2)
    
    In [22]: n = np.arange(6).reshape(3,2,1)
    
    In [23]: m
    Out[23]:
    array([[[0, 1]],
    
           [[2, 3]],
    
           [[4, 5]]])
    
    In [24]: n
    Out[24]:
    array([[[0],
            [1]],
    
           [[2],
            [3]],
    
           [[4],
            [5]]])
    
    In [26]: m + n
    Out[26]:
    array([[[ 0,  1],
            [ 1,  2]],
    
           [[ 4,  5],
            [ 5,  6]],
    
           [[ 8,  9],
            [ 9, 10]]])

转载于:https://www.cnblogs.com/luhuan/p/8018687.html