Summary  
This chapter explains that simple assignment of arrays creates views sharing the same data, and demonstrates how to implement code using the ndarray.copy() method or numpy.copy() function to produce independent array copies without affecting the original.  

General domain of usage  
Data analysis

Usein on tarpeen luoda **kopio** taulukosta, jotta muutoksia voidaan tehdä vaikuttamatta alkuperäiseen taulukkoon.

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.

## Yksinkertainen sijoitus

Ensin käsitellään, miksi emme voi yksinkertaisesti luoda toista muuttujaa käyttämällä `array_2 = array_1`, missä `array_1` on alkuperäinen taulukkomme.

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)

Muutimme `array_2`:n ensimmäisen alkion arvoksi `10`, mutta tämä muutos muutti myös `array_1`:n ensimmäisen alkion arvoksi `10`.

Kun käytät `array_2 = array_1`, et luo **uutta** taulukkoa, vaan luot **viittauksen** samaan taulukkoon muistissa. Tämän seurauksena kaikki muutokset, jotka tehdään `array_2`:lle, vaikuttavat myös `array_1`:een.

Huomio

Tämän ongelman ratkaisemiseksi voisimme kirjoittaa `array_2 = np.array([1, 2, 3])`, mutta silloin joutuisimme kirjoittamaan saman koodin **kahdesti**. Muista ohjelmoinnin keskeinen periaate: **Älä toista itseäsi**.

## ndarray.copy()-metodi

Onneksi **NumPy** tarjoaa `ndarray.copy()`-metodin ratkaisuksi tähän ongelmaan.

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}')

Nyt olemme luoneet uuden taulukon `array_2`, jossa on samat alkiot kuin `array_1`:ssa.

**2D**-taulukoiden kohdalla kopiointimenettely on täsmälleen sama.


## numpy.copy()-funktio

`.copy()`-**metodin** sijaan voidaan käyttää myös `copy()`-**funktiota**, joka ottaa taulukon parametrinaan: `array_2 = np.copy(array_1)`.

Sekä funktio että metodi toimivat samalla tavalla; kuitenkin niissä on yksi vivahde-ero. Molemmissa on `order`-parametri, joka määrittää taulukon **muistirakenteen**, mutta niiden oletusarvot eroavat toisistaan.

Alla olevassa kuvassa näkyy tehtävässä käytetyn `sales_data_2021`-taulukon rakenne:

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

Avaa Pythonin tärkeimmän numeerisen laskennan kirjaston, NumPyn, koko potentiaali. Tämä kattava kurssi on suunniteltu viemään sinut aloittelijan tasolta edistyneeksi NumPy-osaajaksi. Olitpa sitten data-analyytikko, insinööri, tutkija tai kehittäjä, NumPyn hallinta on olennaista tehokkaaseen datan käsittelyyn, tieteelliseen laskentaan ja koneoppimiseen.

Tutustu NumPyn käyttökohteisiin ja ymmärrä, miksi se on yksi suosituimmista kirjastoista numeeriseen laskentaan. Opiskele erilaisia tapoja luoda ja alustaa taulukoita erilaisten tietotarpeiden tehokkaaseen käsittelyyn.

Opi, kuinka NumPy-taulukoiden yksittäisiin alkioihin ja osajoukkoihin päästään käsiksi indeksimerkinnän avulla. Tutustu ehdollisen indeksoinnin käyttöön tietojen suodattamisessa ja puuttuvien arvojen hallinnassa tehokkaasti.

NumPy tarjoaa monia sisäänrakennettuja funktioita yleisten taulukko-operaatioiden suorittamiseen. Opi käyttämään näitä työkaluja datan muuntamiseen, aggregointiin ja analysointiin tehokkaasti ilman toistuvaa koodia.

Opi suorittamaan matemaattisia operaatioita tehokkaasti NumPy-taulukoilla. Sovella näitä operaatioita todellisten ongelmien ratkaisemiseen ja syvennä ymmärrystäsi siitä, miten vektorisoidut laskutoimitukset nopeuttavat numeerista analyysiä.

Taulukoiden Kopiointi

Yksinkertainen sijoitus

ndarray.copy()-metodi

numpy.copy()-funktio

Ratkaisu