第一个例子：

Question

我需要一个很好的解释（参考）来解释（for）循环中的NumPy切片。我有三个案子。

def example1(array):
    for row in array:
        row = row + 1
    return array

def example2(array):
    for row in array:
        row += 1
    return array

def example3(array):
    for row in array:
        row[:] = row + 1
    return array

一个简单的案例：

ex1 = np.arange(9).reshape(3, 3)
ex2 = ex1.copy()
ex3 = ex1.copy()

返回：

>>> example1(ex1)
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])

>>> example2(ex2)
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])

>>> example3(ex3)
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])

可以看出，第一个结果与第二个和第三个结果不同。

Answer 1

第一个例子：

您提取一行并向其中添加1。然后你重新定义 指针 row，而不是array包含的内容！所以它不会影响原始数组。

第二个例子：

你进行就地操作 - 显然这会影响原始数组 - 只要它是一个数组。

如果您正在进行双循环，它将不再起作用：

def example4(array):
    for row in array:
        for column in row:
            column += 1
    return array

example4(np.arange(9).reshape(3,3))
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])

这不起作用，因为你没有调用np.ndarray的{{1}}（修改数组指向的数据），而python __iadd__的{{1} }。因此，此示例仅起作用，因为您的行是numpy数组。

第三个例子：

int这被解释为类似于__iadd__这样的工作，这会影响原始数组。

底线

如果您使用可变对象（例如row[:] = row + 1或row[0] = row[0]+1, row[1] = row[1]+1, ...），则需要小心改变的内容。这样的对象只有点到实际数据存储在内存中的位置 - 因此更改此指针（list）不会影响保存的数据。您需要按照指针（直接通过np.ndarray（example1）或间接通过[:]（example3）来更改已保存的数据。

Answer 2

在第一个代码中，您不对新计算的行执行任何操作;你重新绑定名称row，并且不再与数组连接。

在第二个和第三个中，你不重新绑定，而是为旧变量赋值。使用+=调用一些内部函数，这取决于您让它作用的对象的类型。请参阅以下链接。

如果在右侧编写row + 1，则会计算新数组。在第一种情况下，您告诉python为其指定名称 row（并忘记之前称为row的原始对象）。在第三个中，新数组被写入旧row的切片。

如需进一步阅读，请按照@Thiru上述问题的评论链接。或者阅读assignment and rebinding in general...

在循环中切片NumPy数组

2 个答案:

第一个例子：

第二个例子：

第三个例子：

底线