【问题标题】：Slicing a NumPy array within a loop [duplicate]在循环中切片 NumPy 数组[重复]
【发布时间】：2016-07-03 12:32:21
【问题描述】：

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

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()

>>> 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不同。

【问题讨论】：

相关问题，希望对您有所帮助stackoverflow.com/questions/15376509/…

标签： python arrays numpy

【解决方案1】：

第一个例子：

您提取一行并将其加 1。然后你重新定义 指针 row 但不是array 包含的内容！所以不会影响原数组。

第二个例子：

您进行就地操作 - 显然这会影响原始数组 - 只要它是一个数组。

如果你在做一个双循环，它就不再起作用了：

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，因为您不调用np.ndarray 的__iadd__（修改数组指向的数据）而是调用python int 的__iadd__。因此，此示例仅适用于您的行是 numpy 数组。

第三个例子：

row[:] = row + 1 这被解释为类似row[0] = row[0]+1, row[1] = row[1]+1, ... 的东西，这又在原地工作，所以这会影响原始数组。

底线

如果您对可变对象进行操作，例如lists 或np.ndarray，您需要小心您所做的更改。这样的对象仅指向实际数据存储在内存中的位置 - 因此更改此指针 (example1) 不会影响保存的数据。您需要按照指针（直接通过[:] (example3) 或间接通过array.__iadd__ (example2)）更改保存的数据。

【讨论】：

【解决方案2】：

在第一个代码中，您不对新的计算行做任何事情；您重新绑定名称row，并且不再与阵列连接。

在第二个和第三个中，您不重新绑定，而是将值分配给旧变量。使用+= 会调用一些内部函数，这取决于您让它作用的对象的类型。请参阅下面的链接。

如果您在右侧写row + 1，则会计算一个新数组。在第一种情况下，您告诉 python 给它 name row（忘记之前称为 row 的原始对象）。第三步，将新数组写入旧row 的切片中。

如需进一步阅读，请点击上面@Thiru 对问题的评论链接。或阅读assignment and rebinding in general...

【讨论】：