Python a、 transpose().ravel()[0]=x无法更改numpy中原始数组的值?
环境:Python 3.6.0 | Anaconda定制(64位),numpy版本:1.11.3Python a、 transpose().ravel()[0]=x无法更改numpy中原始数组的值?,python,numpy,deep-copy,Python,Numpy,Deep Copy,环境:Python 3.6.0 | Anaconda定制(64位),numpy版本:1.11.3 例如: 我知道transpose()和ravel()返回数组的视图,因此我们可以更改其原始数组的值。但是,当我们使用transpose().ravel()时,我们不能更改它吗?为什么? ravel正在返回副本,而不是视图 从: 返回一个包含输入元素的一维数组。只有在需要时才制作副本 因此,基本上,当解开转置时,实际上需要一个副本。您正在更改副本中的值,因此该值不会反映在原始数组中 测试返回的数组是视
例如: 我知道
transpose()
和ravel()
返回数组的视图,因此我们可以更改其原始数组的值。但是,当我们使用transpose().ravel()
时,我们不能更改它吗?为什么? ravel
正在返回副本,而不是视图
从:
返回一个包含输入元素的一维数组。只有在需要时才制作副本
因此,基本上,当解开转置时,实际上需要一个副本。您正在更改副本中的值,因此该值不会反映在原始数组中
测试返回的数组是视图还是副本
对于这种简单的情况,您可以通过比较b.base
和a
的标识来测试数组b
是否是a
的视图:
a = np.array([[1,2,3], [4,5,6]])
b = a.T
c = b.ravel()
print('b is a view of a\n%s\n' % (b.base is a))
print('c is a view of a\n%s\n' % (c.base is a))
输出:
b is a view of a
True
c is a view of a
False
d is a view of a
True
c
[1 4 2 5 3 6]
d
[1 2 3 4 5 6]
the flags of a
C_CONTIGUOUS : True
F_CONTIGUOUS : False
OWNDATA : True
WRITEABLE : True
ALIGNED : True
WRITEBACKIFCOPY : False
UPDATEIFCOPY : False
the flags of a.T
C_CONTIGUOUS : False
F_CONTIGUOUS : True
OWNDATA : False
WRITEABLE : True
ALIGNED : True
WRITEBACKIFCOPY : False
UPDATEIFCOPY : False
为什么a.T.ravel()
会返回副本?
令人震惊的是:实际上有一种方法可以使a.T.ravel()
返回视图而不是副本。您可以通过显式设置order='F'
(即Fortran顺序)来执行此操作:
输出:
b is a view of a
True
c is a view of a
False
d is a view of a
True
c
[1 4 2 5 3 6]
d
[1 2 3 4 5 6]
the flags of a
C_CONTIGUOUS : True
F_CONTIGUOUS : False
OWNDATA : True
WRITEABLE : True
ALIGNED : True
WRITEBACKIFCOPY : False
UPDATEIFCOPY : False
the flags of a.T
C_CONTIGUOUS : False
F_CONTIGUOUS : True
OWNDATA : False
WRITEABLE : True
ALIGNED : True
WRITEBACKIFCOPY : False
UPDATEIFCOPY : False
但是,更改order
kwarg的值将更改raveled数组中值的顺序(想象一下):
print('c\n%s\n' % c)
print('d\n%s\n' % d)
输出:
b is a view of a
True
c is a view of a
False
d is a view of a
True
c
[1 4 2 5 3 6]
d
[1 2 3 4 5 6]
the flags of a
C_CONTIGUOUS : True
F_CONTIGUOUS : False
OWNDATA : True
WRITEABLE : True
ALIGNED : True
WRITEBACKIFCOPY : False
UPDATEIFCOPY : False
the flags of a.T
C_CONTIGUOUS : False
F_CONTIGUOUS : True
OWNDATA : False
WRITEABLE : True
ALIGNED : True
WRITEBACKIFCOPY : False
UPDATEIFCOPY : False
为了理解为什么顺序的更改会导致返回视图,我们可以查看ravel
函数本身的代码。np.ndarray.ravel
的实现是。从源代码中可以看出,要从ravel
返回视图,必须满足两个条件:
- 输入数组必须是连续的
- 连续输入数组的顺序必须与传递到
ravel
的顺序
kwarg的顺序匹配
kwarg的默认值为order='C'
。因此,默认情况下,ravel
仅在C连续数组上运行视图时才会返回视图。大多数情况下,当您初始化一个新的Numpy数组a
时,它将以C-连续开始。然而,转置a.T
将是F-连续的。通过检查数组的名称,您可以在代码中看到这一点:
a = np.array([[1,2,3], [4,5,6]])
print('the flags of a\n%s\n' % a.flags)
print('the flags of a.T\n%s\n' % a.T.flags)
输出:
b is a view of a
True
c is a view of a
False
d is a view of a
True
c
[1 4 2 5 3 6]
d
[1 2 3 4 5 6]
the flags of a
C_CONTIGUOUS : True
F_CONTIGUOUS : False
OWNDATA : True
WRITEABLE : True
ALIGNED : True
WRITEBACKIFCOPY : False
UPDATEIFCOPY : False
the flags of a.T
C_CONTIGUOUS : False
F_CONTIGUOUS : True
OWNDATA : False
WRITEABLE : True
ALIGNED : True
WRITEBACKIFCOPY : False
UPDATEIFCOPY : False
C-和F-连续到底是什么意思?
很有可能C-连续和F-连续这两个术语对您来说似乎是胡言乱语。解释它们需要一个完全不同的问题,很高兴有人已经问过了。这是一个非常直观的概述,说明了C和F顺序的实际含义
警告
在实际代码中,我不会太担心ravel
是返回视图还是副本。实际上,通过确保视图的使用,您并不总能获得性能提升。通常避免过早优化
In [382]: a = np.array([[1,2,3], [4,5,6]])
In [383]: a
Out[383]:
array([[1, 2, 3],
[4, 5, 6]])
In [384]: a.ravel()
Out[384]: array([1, 2, 3, 4, 5, 6])
ravel
给出数组的一维视图,并按值在数据缓冲区中出现的顺序显示值
In [385]: a.T
Out[385]:
array([[1, 4],
[2, 5],
[3, 6]])
In [386]: a.T.ravel()
Out[386]: array([1, 4, 2, 5, 3, 6])
转置的ravel
以不同的顺序显示元素-除非我们将顺序指定为“F”(或“K”)
ravel
(和其他操作)如果阵列可以使用原始数据,只需更改形状和跨步
,即可创建视图。如果不能,它必须复制一份
由于使用转置对元素顺序进行了更改,因此使用[0]
以外的内容进行索引时,会选择不同的值:
In [397]: a.ravel()[3]
Out[397]: 4 # -1 in your Out[8]
In [398]: a.T.ravel()[3]
Out[398]: 5
你看,当你要求改变转置的第四个元素时,会有一定的歧义。它可以根据您遍历元素的方式而有所不同。为什么要拆转置,实际上需要一个副本?好的,我已经添加了所有关于为什么ravel
返回一个副本而不是视图的详细信息。遗憾的是,这有点复杂(大约是我原来答案的3倍)。