Summary  
This chapter covers how simple assignment in NumPy creates views that share data with the original array and how to create independent copies using the ndarray.copy() method or numpy.copy() function to avoid unintended modifications.

General domain of usage  
Numerical computing

Ofta behöver du skapa en **kopia** av en array för att göra ändringar utan att påverka den ursprungliga arrayen.

Watch this video to see how copying arrays works in NumPy. You'll learn the difference between simple assignment and true copying, how changes affect original arrays, and how to use the `copy()` method and function. Visual examples will help you understand why and when to use each approach, making your array manipulations safer and more effective.

## Enkel tilldelning

Först diskuteras varför du inte bara kan skapa en annan variabel med `array_2 = array_1`, där `array_1` är din ursprungliga array.

import numpy as np
array_1 = np.array([1, 2, 3])
array_2 = array_1
# Setting the first element of array_2 to 10
array_2[0] = 10
print(array_1)

Du ändrade värdet på det första elementet i `array_2` till `10`, men denna tilldelning ändrade också värdet på det första elementet i `array_1` till `10`.

Med `array_2 = array_1` skapar du inte en **ny** array; istället skapar du en **referens** till samma array i minnet. Därför kommer alla ändringar som görs i `array_2` även att påverka `array_1`.

Observera

För att lösa detta problem skulle du kunna skriva `array_2 = np.array([1, 2, 3])`, men det skulle innebära att samma kod skrivs **två gånger**. Kom ihåg den grundläggande principen inom programmering: **Upprepa dig inte**.

## ndarray.copy()-metoden

Som tur är har **NumPy** en `ndarray.copy()`-metod som löser detta problem.

import numpy as np
array_1 = np.array([1, 2, 3])
# Copying the contents of array_1
array_2 = array_1.copy()
# Setting the first element of array_2 to 10
array_2[0] = 10
print(f'Initial array: {array_1}')
print(f'Modified copy: {array_2}')

Nu har du skapat en ny array för `array_2` med samma element som `array_1`.

För **2D**-arrayer är kopieringsproceduren exakt densamma.


## numpy.copy()-funktionen

Istället för `.copy()`-**metoden** kan du också använda `copy()`-**funktionen**, som tar arrayen som parameter: `array_2 = np.copy(array_1)`.

Både funktionen och metoden fungerar likadant; dock finns det en nyans. Båda har parametern `order`, som anger **minneslayouten** för arrayen, men deras standardvärden skiljer sig åt.


Bilden nedan visar strukturen för arrayen `sales_data_2021` som används i uppgiften:

import unittest
import importlib.util
import numpy as np
import io
from contextlib import redirect_stdout


def _dynamic_test(test_case, condition, success_message, failure_message):
    """Codefinity-style feedback output"""
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)


class TestUserCode(unittest.TestCase):
    @classmethod
    def setUpClass(cls):
        # Вихідні дані
        cls.sales_data_2021 = np.array([
            [350, 420, 380, 410],
            [270, 320, 290, 310]
        ])
        # Очікуваний оновлений масив
        cls.expected_2022 = cls.sales_data_2021.copy()
        cls.expected_2022[0, -2:] = np.array([390, 370])

    def test_sales_data_copy(self):
        """1. sales_data_2022 created as an independent copy"""
        spec = importlib.util.spec_from_file_location("user_code", "user_code.py")
        module = importlib.util.module_from_spec(spec)
        spec.loader.exec_module(module)

        ok = hasattr(module, "sales_data_2022")
        arr_21 = getattr(module, "sales_data_2021", None)
        arr_22 = getattr(module, "sales_data_2022", None)

        type_ok = isinstance(arr_22, np.ndarray)
        # Перевіряємо, що це інший об’єкт у пам’яті
        independent_obj = arr_21 is not arr_22
        # Перевіряємо, що зміни в arr_22 не вплинули на arr_21
        independent_data = not np.array_equal(arr_21, arr_22)

        _dynamic_test(
            self,
            ok and type_ok and independent_obj and independent_data,
            "sales_data_2022 correctly created as an independent copy",
            "sales_data_2022 not created properly as a copy",
        )

    def test_sales_data_update(self):
        """2. Last two elements of first row updated using correct slice"""
        spec = importlib.util.spec_from_file_location("user_code", "user_code.py")
        module = importlib.util.module_from_spec(spec)
        spec.loader.exec_module(module)

        arr_22 = getattr(module, "sales_data_2022", None)
        type_ok = isinstance(arr_22, np.ndarray)
        val_ok = type_ok and np.array_equal(arr_22, self.expected_2022)
        first_row_ok = type_ok and np.array_equal(arr_22[0, -2:], np.array([390, 370]))
        second_row_ok = type_ok and np.array_equal(arr_22[1], self.sales_data_2021[1])

        _dynamic_test(
            self,
            type_ok and val_ok and first_row_ok and second_row_ok,
            "sales_data_2022 updated correctly with negative slice",
            "sales_data_2022 update incorrect or affects wrong elements",
        )

    def test_print_output(self):
        """3. Both arrays printed"""
        f = io.StringIO()
        spec = importlib.util.spec_from_file_location("user_code", "user_code.py")
        module = importlib.util.module_from_spec(spec)
        with redirect_stdout(f):
            spec.loader.exec_module(module)
        output = f.getvalue()

        printed_21 = "2021" in output and "350" in output
        printed_22 = "2022" in output and "390" in output and "370" in output

        _dynamic_test(
            self,
            printed_21 and printed_22,
            "Both sales_data_2021 and sales_data_2022 printed correctly",
            "Missing or incorrect print statements",
        )


if __name__ == "__main__":
    unittest.main()


test_code.py

Lås upp den fulla potentialen hos Pythons mest grundläggande bibliotek för numerisk beräkning, NumPy. Denna omfattande kurs är utformad för att ta dig från nybörjarnivå till avancerad kompetens i NumPy. Oavsett om du är data scientist, ingenjör, forskare eller utvecklare är det avgörande att behärska NumPy för effektiv datamanipulering, vetenskapliga beräkningar och maskininlärning.

Utforska användningsområdena för NumPy och förstå varför det är ett av de mest populära biblioteken för numerisk beräkning. Lär dig de olika sätten att skapa och initiera arrayer för att effektivt hantera olika databehov.

Upptäck hur du får åtkomst till specifika element och delmängder i NumPy-arrayer med hjälp av indexnotation. Lär dig att använda villkorsbaserad indexering för att filtrera data och hantera saknade värden effektivt.

NumPy tillhandahåller många inbyggda funktioner för att utföra vanliga arrayoperationer. Lär dig hur du använder dessa verktyg för att effektivt transformera, aggregera och analysera data utan att skriva repetitiv kod.

Lär dig hur du utför matematiska operationer effektivt på NumPy-arrayer. Använd dessa operationer för att lösa verkliga problem och få en djupare förståelse för hur vektoriserade beräkningar påskyndar numerisk analys.

Kopiera Arrayer

Enkel tilldelning

ndarray.copy()-metoden

numpy.copy()-funktionen

Lösning