- mongodb - 在 MongoDB mapreduce 中,如何展平值对象?
- javascript - 对象传播与 Object.assign
- html - 输入类型 ="submit"Vs 按钮标签它们可以互换吗?
- sql - 使用 MongoDB 而不是 MS SQL Server 的优缺点
我在使用 Numpy 的 Python 2.6.5 中有一个奇怪的问题。我分配了一个 numpy 数组,然后将一个新变量等同于它。当我对新数组执行任何操作时,原始值也会发生变化。这是为什么?请看下面的例子。请赐教,因为我对 Python 和一般编程都很陌生。
-苏扬
>>> import numpy as np
>>> a = np.array([[1,2],[3,4]])
>>> b = a
>>> b
array([[1, 2],
[3, 4]])
>>> c = a
>>> c
array([[1, 2],
[3, 4]])
>>> c[:,1] = c[:,1] + 5
>>> c
array([[1, 7],
[3, 9]])
>>> b
array([[1, 7],
[3, 9]])
>>> a
array([[1, 7],
[3, 9]])
最佳答案
这实际上根本不是问题;这是数组(和其他对象)在 Python 中的工作方式。
这样想:您在代码示例中创建的数组是一个位于内存中某个位置的对象。但是你不能在你的程序中通过告诉 Python 在内存中去哪里寻找它来使用它;你必须给它一个名字。当你写
a = np.array([[1,2],[3,4]])
您既要创建数组,又要创建一个名称,a
,它引用它。从那时起,Python 就知道 a
指的是“内存地址 0x123674283”(或其他)。 Python 运行时中有一个内部表(如果我没记错的话称为“符号表”)包含所有这些信息,因此在上述 Python 代码行运行后,该表将包含
...,
'a' : 0x123674283,
...
当您将一个变量的值分配给另一个变量时,例如
b = a
Python 不会复制整个数组,因为如果它是一个大数组,则需要很长时间。相反,它转到符号表并将 a
的内存地址复制到 b
表中的新行。所以你结束了
...,
'a' : 0x123674283,
...,
'b' : 0x123674283,
...
所以你看,a
和 b
实际上指的是内存中的同一个位置,即同一个对象。您对其中一个所做的任何更改都会反射(reflect)在另一个上,因为它们只是同一事物的两个名称。
如果您想实际制作数组的副本,您必须调用一个方法来显式地执行此操作。 Numpy 数组有一个 copy
方法,您可以将其用于此目的。所以如果你写
b = a.copy()
然后 Python 将首先实际制作数组的副本——也就是说,它留出一个新的内存区域,比如地址 0x123904381,然后转到内存地址 0x123674283 并从后者复制数组的所有值一段内存到前。因此,您在内存中的两个不同位置拥有相同的内容。
...,
'a' : 0x123674283,
...,
'b' : 0x123904381,
...
现在,当您更改 b
的元素之一时,该更改不会显示在 a
中,因为 a
和 b
不再指代计算机内存的同一部分。由于数组数据有两个独立的副本,您可以更改一个而不影响另一个。
关于python - numpy 数组赋值问题,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/3059395/
作为脚本的输出,我有 numpy masked array和标准numpy array .如何在运行脚本时轻松检查数组是否为掩码(具有 data 、 mask 属性)? 最佳答案 您可以通过 isin
我的问题 假设我有 a = np.array([ np.array([1,2]), np.array([3,4]), np.array([5,6]), np.array([7,8]), np.arra
numpy 是否有用于矩阵模幂运算的内置实现? (正如 user2357112 所指出的,我实际上是在寻找元素明智的模块化减少) 对常规数字进行模幂运算的一种方法是使用平方求幂 (https://en
我已经在 Numpy 中实现了这个梯度下降: def gradientDescent(X, y, theta, alpha, iterations): m = len(y) for i
我有一个使用 Numpy 在 CentOS7 上运行的项目。 问题是安装此依赖项需要花费大量时间。 因此,我尝试 yum install pip install 之前的 numpy 库它。 所以我跑:
处理我想要旋转的数据。请注意,我仅限于 numpy,无法使用 pandas。原始数据如下所示: data = [ [ 1, a, [, ] ], [ 1, b, [, ] ], [ 2,
numpy.random.seed(7) 在不同的机器学习和数据分析教程中,我看到这个种子集有不同的数字。选择特定的种子编号真的有区别吗?或者任何数字都可以吗?选择种子数的目标是相同实验的可重复性。
我需要读取存储在内存映射文件中的巨大 numpy 数组的部分内容,处理数据并对数组的另一部分重复。整个 numpy 数组占用大约 50 GB,我的机器有 8 GB RAM。 我最初使用 numpy.m
处理我想要旋转的数据。请注意,我仅限于 numpy,无法使用 pandas。原始数据如下所示: data = [ [ 1, a, [, ] ], [ 1, b, [, ] ], [ 2,
似乎 numpy.empty() 可以做的任何事情都可以使用 numpy.ndarray() 轻松完成,例如: >>> np.empty(shape=(2, 2), dtype=np.dtype('d
我在大型 numpy 数组中有许多不同的形式,我想使用 numpy 和 scipy 计算它们之间的边到边欧氏距离。 注意:我进行了搜索,这与堆栈中之前的其他问题不同,因为我想获得数组中标记 block
我有一个大小为 (2x3) 的 numpy 对象数组。我们称之为M1。在M1中有6个numpy数组。M1 给定行中的数组形状相同,但与 M1 任何其他行中的数组形状不同。 也就是说, M1 = [ [
如何使用爱因斯坦表示法编写以下点积? import numpy as np LHS = np.ones((5,20,2)) RHS = np.ones((20,2)) np.sum([ np.
假设我有 np.array of a = [0, 1, 1, 0, 0, 1] 和 b = [1, 1, 0, 0, 0, 1] 我想要一个新矩阵 c 使得如果 a[i] = 0 和 b[i] = 0
我有一个形状为 (32,5) 的 numpy 数组 batch。批处理的每个元素都包含一个 numpy 数组 batch_elem = [s,_,_,_,_] 其中 s = [img,val1,val
尝试为基于文本的多标签分类问题训练单层神经网络。 model= Sequential() model.add(Dense(20, input_dim=400, kernel_initializer='
首先是一个简单的例子 import numpy as np a = np.ones((2,2)) b = 2*np.ones((2,2)) c = 3*np.ones((2,2)) d = 4*np.
我正在尝试平均二维 numpy 数组。所以,我使用了 numpy.mean 但结果是空数组。 import numpy as np ws1 = np.array(ws1) ws1_I8 = np.ar
import numpy as np x = np.array([[1,2 ,3], [9,8,7]]) y = np.array([[2,1 ,0], [1,0,2]]) x[y] 预期输出: ar
我有两个数组 A (4000,4000),其中只有对角线填充了数据,而 B (4000,5) 填充了数据。有没有比 numpy.dot(a,b) 函数更快的方法来乘(点)这些数组? 到目前为止,我发现
我是一名优秀的程序员,十分优秀!