Python X=np.复制（X）。。。这真的没用吗？

我目前正在查看github中的sklearn源代码，我遇到了一行让我感到困扰的代码。是的

我理解按值复制和按引用复制之间的区别（我猜numpy中的复制函数是按值复制的，x=y是按引用复制的）

但很明显，我不明白将同一变量复制到自身的目的

• X=np.副本（X）

有人能解释一下吗

---

非常感谢您

softmax函数提供就地运行以保存复制op，从而用softmax的结果覆盖输入X

这里的副本是为了避免在需要时更改输入

---

X=np.copy（X）

将原始引用替换为可安全修改的副本引用。

如果未将函数赋回已定义的变量，您会如何怀疑函数的外观

def softmax(X, copy=True):
    """
    Calculate the softmax function.
    The softmax function is calculated by
    np.exp(X) / np.sum(np.exp(X), axis=1)
    This will cause overflow when large values are exponentiated.
    Hence the largest value in each row is subtracted from each data
    point to prevent this.
    Parameters
    ----------
    X : array-like, shape (M, N)
        Argument to the logistic function
    copy : bool, optional
        Copy X or not.
    Returns
    -------
    out : array, shape (M, N)
        Softmax function evaluated at every point in x
    """
    def _softmax(X):
        max_prob = np.max(X, axis=1).reshape((-1, 1))
        X -= max_prob
        np.exp(X, X)
        sum_prob = np.sum(X, axis=1).reshape((-1, 1))
        X /= sum_prob
        return X

    return _softmax(np.copy(X) if copy else X)

这会降低代码的可读性。 在预处理变量时覆盖局部变量通常是可以接受的，因为它可以使代码可读。添加第二个变量将使理解代码更加困难。在我的示例中，我尝试创建易于理解且无任何重复的代码。但是你不能再读这个序列码了。您首先需要阅读最后一条语句

\u softmax（np.copy（X）if copy else X）

，以了解它是如何使用的

---

在性能方面，这还引入了一个在这些低级函数中不需要的额外调用。

当函数对

X

进行更改时，

X

是一个可变对象，它会复制到自身，以防止在函数范围之外发生任何更改。