[PYTHON] Über die Zuweisung von numpy.ndarray

Beachten Sie, dass ich süchtig nach der Zuweisung von numpy.ndarray war

Wenn Sie in drei Zeilen schreiben

• Über Scheiben und Masken von np.ndarray.
• Wenn Sie es einfach verwenden, können Sie es auf die gleiche Weise verwenden, wenn Sie es dem ursprünglichen Objekt zuweisen.
• Slices geben Ansichten zurück, aber Masken (ausgefallene Indizes) geben Kopien zurück. Seien Sie also vorsichtig, wenn Sie verketten oder komplizierte Dinge tun.

ndarray Scheiben und Masken

Wie Sie wissen, kann ndarray dem durch Slice angegebenen Bereich zugewiesen werden.

slice.py

In [1]: import numpy as np

In [2]: table = np.zeros((2, 5))

In [3]: table[1, :3] = 1

In [4]: table
Out[4]:
array([[ 0.,  0.,  0.,  0.,  0.],
       [ 1.,  1.,  1.,  0.,  0.]])

Dies liegt daran, dass ndarray eine Referenz anstelle einer Kopie zurückgibt, wenn dies durch das Slice angegeben wird.

Sie können dasselbe auch mit einer Booleschen Maske tun.

mask.py

In [1]: import numpy as np

In [2]: table = np.zeros((2, 5))

In [3]: table[1, [True, True, True, False, False]] = 1

In [4]: table
Out[4]:
array([[ 0.,  0.,  0.,  0.,  0.],
       [ 1.,  1.,  1.,  0.,  0.]])

es ist das gleiche.

Suchtpunkt: Ndarray Slice und Maskenkette

Lassen Sie uns das verketten.

chain1.py

In [1]: import numpy as np

In [2]: table = np.zeros((2, 5))

In [3]: table[1, :3][1:] = 1

In [4]: table
Out[4]:
array([[ 0.,  0.,  0.,  0.,  0.],
       [ 0.,  1.,  1.,  0.,  0.]])

Da das Slice Referenz zurückgibt, ist die Referenz der Referenz Referenz, sodass wir sie sicher der ursprünglichen Tabelle zuweisen konnten. Es ist einfach. Machen wir jetzt dasselbe für Masken.

chain2.py

In [1]: import numpy as np

In [2]: table = np.zeros((2, 5))

In [3]: table[1, [True, True, True, False, False]][[False, True, True]] = 1

In [4]: table  #Nicht zugeordnet!!!!
Out[4]:
array([[ 0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.,  0.]])

Nun, ich habe ein anderes Ergebnis erzielt als ich erwartet hatte.

chain3.py

In [1]: import numpy as np

In [2]: table = np.zeros((2, 5))

In [3]: table[1, [True, True, True, False, False]][1:] = 1

In [4]: table  #Nicht zugeordnet!!!!
Out[4]:
array([[ 0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.,  0.]])

Gleiches gilt für die Maske + Slice-Kette.

Was meinst du ...

Ursache und Beschreibung

Eine ausführliche Erklärung finden Sie in der offiziellen Dokumentation. http://scipy-cookbook.readthedocs.io/items/ViewsVsCopies.html

But fancy indexing does seem to return views sometimes, doesn't it? Wenn Sie den Abschnitt von überprüfen

sample1.py

>>> a = numpy.arange(10)
>>> a[[1,2]] = 100
>>> a
array([  0, 100, 100,   3,   4,   5,   6,   7,   8,   9])

Wann

sample2.py

>>> a = numpy.arange(10)
>>> c1 = a[[1,2]]
>>> c1[:] = 100
>>> a
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> c1
array([100, 100])

Erklärt den Unterschied. Dieses Muster ist auch diesmal.

Abschließend, Die Maske (Fancy Index) hat keine Ansicht zurückgegeben.

Die Maske konnte das ursprüngliche Objekt nicht überschreiben, weil es eine Ansicht zurückgab, sondern weil der Python-Interpreter es in einen Inplace-Ausdruck konvertierte.

fancy_index1.py

>>> a[[1,2]] = 100

Ist

fancy_index1_translated.py

a.__setitem__([1,2], 100)

Dies bedeutet, dass sich der ursprüngliche Wert von a geändert hat, weil er in konvertiert wurde. Jedoch,

fancy_index2.py

c1 = a[[1,2]]

Ist

fancy_index2_translated.py

c1 = a.__getitem__([1,2])

Da anstelle einer Ansicht und einer Ansicht eine Kopie zurückgegeben wird, ändert sich das Ergebnis in dem Moment, in dem es in zwei Zeilen unterteilt wird.

Auf diese Weise können auch die Ergebnisse von chain2.py und chain3.py erklärt werden.

table[1, [True, True, True, False, False]]

Gibt eine Kopie zurück. Unabhängig davon, wie oft Sie sie danach überschreiben, wird die ursprüngliche Tabelle nicht geändert.

Endlich das Problem

chain4.py

In [1]: import numpy as np

In [2]: table = np.zeros((2, 5))

In [3]: table[1, :3][False, True, True] = 1

In [4]: table
Out[4]: ???

Welches Ergebnis gibt dies zurück?