Python tablice są automatycznie kopiuje siebie

Question

Jestem początkujący w python i nie chcę ci tablice skopiować siebie, ale są one automatycznie:

a = numpy.zeros(4) 
b = a 
a[1] = 10 
print b[1] 

i zwraca 10 zamiast 0. Jak zrobić Rozłączam te dwie tablice?

Answer 1

Musisz kopię:

b = a.copy() 

b = a tworzy odniesienie tak a is b, są one zarówno wskazując w tej samej lokalizacji w pamięci, a.copy() faktycznie tworzy nowy obiekt.

In [5]: a = numpy.zeros(4)  
In [6]: b = a # reference 
In [7]: id(a) 
Out[7]: 140335847505968  
In [8]: id(b)   # same id's 
Out[8]: 140335847505968  
In [9]: a is b 
Out[9]: True  
In [10]: b = a.copy() # new object  
In [11]: id(a) 
Out[11]: 140335847505968  
In [12]: id(b) # # now different id's 
Out[12]: 140335437696176  
In [13]: a is b # b is no longer pointing to the same memory location 
Out[13]: False 

Jeśli plaster tablicę używając basic slicing, identyfikator będzie się różnić, ale wszelkie zmiany będą widoczne zarówno A i B, przy użyciu podstawowych indeksowanie Wszystkie tablice wygenerowane przez podstawową krojenia zawsze są widoki na oryginalnej tablicy. A view to Tablica, która nie jest właścicielem danych, ale odnosi się do danych innej macierzy. Widok jest nowym obiektem, ale zawartość nadal należy do oryginalnej tablicy.

Jednak stosując advanced indexingzaawansowane indeksowanie zawsze zwraca kopię danych

In [141]: a = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) 
In [142]: b = a[1:7:2] # basic indexing/view 
In [143]: id(a) 
Out[143]: 140335437385856  
In [144]: id(b)  
Out[144]: 140335437356528  
In [145]: b[0] = 999  
In [146]: a 
Out[146]: array([ 0, 999, 2, 3, 4, 5, 6, 7, 8, 9]) 
In [148]: b 
Out[148]: array([999, 3, 5])  
In [149]: a = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])  
In [150]: b = a[[0,3,5]] # advanced indexing/copy 
In [151]: b 
Out[151]: array([0, 3, 5])  
In [152]: b[0] = 999  
In [153]: a 
Out[153]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])  
In [154]: b 
Out[154]: array([999, 3, 5]) 
In [157]: a = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) 
In [158]: b = a[a] # copy 
In [159]: b 
Out[159]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])  
In [160]: b[0] = 99  
In [161]: a 
Out[161]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])  
In [162]: b 
Out[162]: array([99, 1, 2, 3, 4, 5, 6, 7, 8, 9]) 

ten jest specyficzny numpy zachowanie, krojenie listę płaską regularne Python zawsze utworzyć nową listę, gdzie zmiany w nie będzie odzwierciedlone w b.

In [190]: a = [1,2,3,4,5] 

In [191]: b = a[:3] 

In [192]: b[0] = 999 

In [193]: a 
Out[193]: [1, 2, 3, 4, 5] 

In [194]: b 
Out[194]: [999, 2, 3] 

Gdzie będziesz złapany z listy Python jest jeśli lista zawiera listy zagnieżdżone i utworzyć płytkie kopię:

In [197]: a = [[1,2,3],[4,5]] 
In [198]: b = a[:]  
In [199]: id(a) 
Out[199]: 140335437468296  
In [200]: id(b) 
Out[200]: 140335437417992 
In [201]: b[0][0] = 999 
In [202]: b 
Out[202]: [[999, 2, 3], [4, 5]] 
In [203]: a 
Out[203]: [[999, 2, 3], [4, 5]] 

trzeba byłoby dokonać copy.deepcopy:

In [204]: a = [[1,2,3],[4,5]]  
In [205]: from copy import deepcopy 
In [206]: b = deepcopy(a)  
In [207]: b[0][0] = 999  
In [208]: b 
Out[208]: [[999, 2, 3], [4, 5]]  
In [209]: a 
Out[209]: [[1, 2, 3], [4, 5]] 

Answer 2

Pamiętaj, że listy w Pythonie są zmienne, co oznacza, że ​​podczas wykonywania operacji przypisania nie tworzy się jej kopia, ale kopiuje odniesienie. Co oznacza, że ​​obie zmienne są tą samą listą.

Można to zrobić na przykład:

b = a[::] który tworzy kopię oryginalnej listy.

W każdym razie, polecam przeczytanie sekcji list Python.org po więcej informacji.

Answer 3

można użyć modułu kopiowania jak ten

from copy import copy 
a = numpy.zeros(4) 
b = copy(a) 
a[1] = 10 
print b[1] 

ma to związek z faktem, że kiedy robisz b = a przypisać odniesienie a do b.

Więcej na ten temat można znaleźć w tej odpowiedzi: How to clone or copy a list?

Answer 4

„Macierze są automatycznie kopiuje siebie” jest fałszywe oświadczenie z kilku powodów.Głównym powodem jest to, że masz tylko jedną tablicę i dwie nazwy zmiennych, które odnoszą się do tej tablicy.

Oto trzy sposoby, aby skopiować numpy array (tj utworzyć kolejną tablicę dokładnie podobnego).

>>> a = numpy.zeros(4) 
>>> b = a.copy() 
>>> c = numpy.copy(a) 
>>> d = numpy.array(a) 
>>> a[1] = 10 
>>> a 
array([ 0., 10., 0., 0.]) 
>>> b 
array([ 0., 0., 0., 0.]) 
>>> c 
array([ 0., 0., 0., 0.]) 
>>> d 
array([ 0., 0., 0., 0.]) 

pamiętać, że plaster-kopiowanie (np e = a[:]) będzie nie praca z NumPy tablic