这篇“Python中Numpy的深拷贝和浅拷贝怎么使用”文章的知识点大部分人都不太理解，所以小编给大家总结了以下内容，内容详细，步骤清晰，具有一定的借鉴价值，希望大家阅读完这篇文章能有所收获，下面我们一起来看看这篇“Python中Numpy的深拷贝和浅拷贝怎么使用”文章吧。
1. 引言
深拷贝和浅拷贝是Python中重要的概念，本文重点介绍在NumPy中深拷贝和浅拷贝相关操作的定义和背后的原理。
闲话少说，我们直接开始吧！
2. 浅拷贝
2.1 问题引入
我们来举个栗子，如下所示我们有两个数组a和b，样例代码如下：
import numpy as np a = np.array([1, 2, 3]) b = a print('a =', a) print('b =', b)
输出如下：
a = [1 2 3]
b = [1 2 3]
此时如果我们对数组a做如下改变，代码如下：
import numpy as np
a = np.array([1, 2, 3])
b = a
a [0] = 42
print('a =', a)
print('b =', b)
那么我们的问题为： 此时b的值应该为多少？
运行上述代码后，我们得到输出如下：
a = [42 2 3]
b = [42 2 3]
2.2 问题剖析
也许有人会觉得输出应该为??a=[42 2 3]?? 和 ??b=[1 2 3]?? ,但是运行上述代码后我们发现??a??和??b??的值均发生了相应的改变。这主要是由于在??Numpy??中对变量的赋值操作，实际上发生的为浅拷贝。
换句话说，此时两个变量指向同一块内存地址，如下所示：
所以，此时如果我们修改数组??original_array??中的某个元素，`copy_array
??由于和??original_array`公用同一块内存，所以其中的元素也会发生相应的变化。
3. 深拷贝
3.1 举个栗子
如果我们想要对??Numpy??数组执行深拷贝，此时我们可以使用函数??copy()??。
相关的样例代码如下：
import numpy as np
a = np.array([1, 2, 3])
b = a.copy()
print('a =', a)
print('b =', b)
输出如下：
a = [1 2 3]
b = [1 2 3]
此时，如果我们改变数组??a??中的元素，代码如下：
import numpy as np
a = np.array([1, 2, 3])
b = a.copy()
a [0] = 42
print('a =', a)
print('b =', b)
此时的代码输出如下：
a = [42 2 3]
b = [1 2 3]
3.2 探究原因
观察上述输出，我们可以清楚地看到数组??a??发生了改变而数组??b??没有发生变化，这是由于我们使用了深拷贝。
此时的内存地址如下：
由于 ??original_array??和??copy_array??指向不同的内存地址空间，所以此时我们对??original_array??的改变并不会对??copy_array??带来影响。
4. 技巧总结
经过上述对深拷贝和浅拷贝的举例和示例，相信大家都已有了清晰的认识，接着我们对上述知识点进行总结，归纳如下：
4.1 判断是否指向同一内存
如果我们需要知道两个变量是否指向同一块内存地址，我们可以方便地使用??is??操作。
浅拷贝示例：
a = np.array([1, 2, 3]) b = a print(b is a)
输出如下：
True
深拷贝示例：
a = np.array([1, 2, 3]) b = a.copy() print(b is a)
输出如下：
False
4.2 其他数据类型
尽管本文中所有的示例都使用了NumPy数组，但本文中所涉及的知识也适用于Python中的列表和字典等其他数据类型。
总之，我们需要时刻记载心中：在浅拷贝中，原始数组和新的数组共同执行同一块内存；同时在深拷贝中，新的数组是原始数据的单独的拷贝，它指向一块新的内存地址。
以上就是关于“Python中Numpy的深拷贝和浅拷贝怎么使用”这篇文章的内容，相信大家都有了一定的了解，希望小编分享的内容对大家有帮助，若想了解更多相关的知识内容，请关注本站行业资讯频道。
