Atribuição de matriz Numpy: diferenças de alocação de memória

No NumPy, existem três maneiras comuns de atribuir valores a uma matriz:

• B = A
• B[:] = A
• numpy.copy(B, A)

B = A

Quando você usa B = A, você não está criando uma nova matriz. Em vez disso, você está vinculando um novo nome (B) ao array existente (A). Como resultado, quaisquer modificações feitas em um array serão refletidas no outro.

B[:] = A

Esta sintaxe cria um novo array B com o mesmas dimensões e valores de A. A matriz original A não é modificada. Este método requer menos alocação de memória em comparação com numpy.copy.

numpy.copy(B, A)

Este método não é legal como você escreveu. Deve ser B = numpy.copy(A). numpy.copy cria um novo array B com as mesmas dimensões e valores de A. Este método requer mais alocação de memória em comparação com B[:] = A porque cria uma cópia física separada dos dados do array original.

Quando a memória adicional é alocada?

Memória adicional é alocada quando você usa numpy.copy para criar uma nova cópia física da matriz. Isso ocorre porque ele aloca um novo bloco contíguo de memória para os dados copiados.

Quando a memória não é alocada?

A memória não é alocada quando você usa B = A porque você está simplesmente renomeando o array original. A memória também não é alocada quando você usa B[:] = A porque reutiliza o mesmo local de memória que o array original.