Comprendre l'affectation des tableaux Numpy : quand la nouvelle mémoire est-elle allouée ?

Affectation de tableaux Numpy avec copie

Introduction

Lorsqu'il s'agit de tableaux Numpy, c'est crucial pour comprendre comment les affectations affectent les données. Cet article explore les différences entre trois méthodes d'affectation : B = A, B[:] = A et numpy.copy(B, A), adressant le moment où de la mémoire supplémentaire est allouée et quand elle ne l'est pas.

B = A

Cette affectation lie simplement un nouveau nom (B) à un objet Numpy existant (A). Les deux noms font référence au même objet, donc toute modification sur place apportée à l’un sera reflétée dans l’autre. Aucune mémoire supplémentaire n'est allouée.

B[:] = A (Équivalent à B[:]=A[:])

Cette opération copie les valeurs de A dans un tableau B existant. Les formes de B et A doivent correspondre. Aucune mémoire supplémentaire n'est allouée car le tableau B existant est réutilisé.

numpy.copy(B, A)

Cette syntaxe est incorrecte. La syntaxe correcte est B = numpy.copy(A), qui crée un nouveau tableau contenant la copie de A. Le tableau B d'origine n'est pas réutilisé et ainsi, de la mémoire supplémentaire est allouée lors de la copie des données.

numpy.copyto(B, A)

Cette affectation est équivalente à B[:] = A. Elle copie les valeurs de A vers B, écrasant ses données existantes. S'il y a suffisamment d'espace dans B, aucune mémoire supplémentaire n'est allouée ; sinon, un nouveau tableau est créé et de la mémoire supplémentaire est allouée.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!