Назначение массива Numpy: различия в распределении памяти

В NumPy существует три распространенных способа присвоения значений массиву:

• B = A
• B[:] = A
• numpy.copy(B, A)

B = A

Когда вы используете B = A, вы не создаете новый массив. Вместо этого вы привязываете новое имя (B) к существующему массиву (A). В результате любые изменения, внесенные в один массив, будут отражены в другом.

B[:] = A

Этот синтаксис создает новый массив B с те же размеры и значения, что и A. Исходный массив A не изменяется. Этот метод требует меньшего выделения памяти по сравнению с numpy.copy.

numpy.copy(B, A)

Этот метод не является законным в том виде, в котором вы его написали. Это должно быть B = numpy.copy(A). numpy.copy создает новый массив B с теми же размерами и значениями, что и A. Этот метод требует большего выделения памяти по сравнению с B[:] = A, поскольку он создает отдельную физическую копию данных из исходного массива.

Когда выделяется дополнительная память?

Дополнительная память выделяется, когда вы используете numpy.copy для создания новой физической копии массива. Это связано с тем, что для скопированных данных выделяется новый непрерывный блок памяти.

Когда память не выделяется?

Память не выделяется при использовании B = A потому что вы просто переименовываете исходный массив. Память также не выделяется при использовании B[:] = A, поскольку она повторно использует ту же область памяти, что и исходный массив.