Курс Python → Работа с массивами в Numpy

Библиотека Numpy предоставляет возможность работать с массивами данных, и при этом важно понимать разницу между копиями и представлениями. Когда мы присваиваем массив переменной, мы передаем не сам массив, а ссылку на него. Это означает, что изменения в новой переменной могут повлиять на исходный массив. Такая же ситуация возникает и при работе с массивами в Numpy.

Чтобы избежать нежелательных изменений в исходных данных, в Numpy существует два подхода: представление и глубокое копирование. Представление — это поверхностное копирование, которое позволяет изменять форму массива без изменения данных. Однако, при изменении данных в представлении, данные в исходном массиве также изменятся. Представление можно получить, например, через срез массива.

Глубокое копирование, в свою очередь, создает полностью новый объект, который не связан с исходным массивом. Новый массив хранится в отдельной ячейке памяти и изменения в нем не затронут исходный массив. Этот подход подходит в случаях, когда требуется полная независимость нового массива от исходного.

# Примеры кода на Python с использованием Numpy
import numpy as np

# Создание исходного массива
arr = np.array([1, 2, 3, 4, 5])

# Представление массива через срез
view_arr = arr[1:4]

# Изменение данных в представлении
view_arr[0] = 10

# Вывод измененного представления и исходного массива
print("Измененное представление:", view_arr)
print("Исходный массив:", arr)

# Глубокое копирование массива
deep_copy_arr = arr.copy()

# Изменение данных в глубокой копии
deep_copy_arr[0] = 100

# Вывод измененной глубокой копии и исходного массива
print("Измененная глубокая копия:", deep_copy_arr)
print("Исходный массив:", arr)

В данном примере мы создаем массив с помощью Numpy, затем создаем представление массива через срез и изменяем данные в этом представлении. После этого мы создаем глубокую копию массива и также изменяем данные в ней. Вывод на экран показывает, что изменения в представлении влияют на исходный массив, в то время как изменения в глубокой копии не затрагивают исходный массив.

Твои коллеги будут рады, поделись в

Автор урока

Дмитрий Комаровский
Дмитрий Комаровский

Автоматизация процессов
в КраснодарБанки.ру

Другие уроки курса "Python"

  1. Запуск внешнего кода в Jupyter
  2. Работа с WindowsPath()
  3. Регистрация на курсы SF Education
  4. Очистка данных в Python
  5. Получение идентификатора объекта в памяти
  6. Изменение списка срезом
  7. Множественное присваивание в Python
  8. Работа со временем в Python
  9. Переворот списка в Python
  10. Объединение словарей в Python 3.5+
  11. Копирование объектов в Python
  12. Виртуальное окружение Python
  13. Преобразование числа в восьмеричную строку
  14. Выбор редактора кода.
  15. Возвращение нескольких значений через кортеж или класс
  16. OrderedDict — упорядоченный словарь
  17. Оптимизация поиска в словарях
  18. Работа с YAML в Python
  19. Импорт и использование модулей в Python
  20. Генератор бросков кубиков
  21. Переопределение метода divmod
  22. Лямбда-функции в Python
  23. Отладка утечек памяти в Python
  24. Комплексные числа в Python
  25. Оператор распаковки в Python
  26. Автоматизация скриптов на AWS Lightsail.
  27. lru_cache оптимизация функций
  28. Python и Монти Пайтон
  29. Преобразование PowerPoint в PDF.
  30. Решение переменной Шредингера
  31. Генераторы списков в Python
  32. Управление доступом к модулю
  33. Преобразование в float
  34. Удаление специальных символов
  35. Метод count() для списков
  36. Магические методы в Python
  37. Многострочные комментарии в Python
  38. Уникальные значения из списка
  39. Модуль inspect: получение информации о объектах
  40. Оператор * в Python
  41. Группы исключений в Python
  42. Цикл for в Python
  43. Поиск индексов в списке
  44. Переопределение метода __eq__
  45. Метод matmul для умножения матриц

Marketello читают маркетологи из крутых компаний