Copie e viste

Quando si lavora con NumPy, comprendere la differenza tra copie (copies) e viste (views) è fondamentale per scrivere codice efficiente e prevenire bug difficili da individuare. Questo tema è spesso sottovalutato, ma ha un impatto diretto su performance, memoria e comportamento dei dati.

Cos’è una copia in NumPy

Una copia è una duplicazione completa dei dati contenuti in un array. Questo significa che:

• I dati vengono replicati in memoria
• Modificare la copia non influisce sull’array originale

Esempio:

import numpy as npa = np.array([1, 2, 3])
b = a.copy()b[0] = 99print(a)  # [1 2 3]
print(b)  # [99  2  3]

In questo caso, b è completamente indipendente da a.

Quando usare una copia

• Quando vuoi proteggere i dati originali
• Quando devi fare operazioni che non devono avere effetti collaterali
• Quando lavori in contesti critici (es. machine learning, preprocessing dati

Cos’è una vista in NumPy

Una vista è un modo per accedere agli stessi dati senza copiarli. In pratica:

• I dati non vengono duplicati
• Più array condividono la stessa area di memoria
• Modificare la vista modifica anche l’array originale

Esempio:

a = np.array([1, 2, 3])
b = a.view()b[0] = 99print(a)  # [99  2  3]
print(b)  # [99  2  3]

👉 Qui a e b puntano agli stessi dati.

Quando usare una vista

• Quando vuoi risparmiare memoria
• Quando lavori con dataset molto grandi
• Quando hai bisogno di prestazioni elevate

Differenza tra copia e vista in NumPy

Caratteristica	Copia	Vista
Memoria	Nuova allocazione	Condivisa
Modifiche	Indipendenti	Condivise
Performance	Più lenta	Più veloce
Sicurezza dati	Alta	Bassa (rischio side effects)

In sintesi:

• Copia = sicurezza
• Vista = performance

Come capire se è una copia o una vista

Puoi verificare se un array è una vista controllando l’attributo .base:

print(b.base is a)  # True se è una vista

• Se .base restituisce l’array originale → vista
• Se restituisce None → copia

Attenzione: slicing e comportamento implicito

In NumPy, alcune operazioni restituiscono automaticamente viste, altre copie.

Vista (slice):

a = np.array([1, 2, 3, 4])
b = a[1:3]  # vista

Copia (operazioni avanzate):

b = a[[1, 2]]  # copia

Questo comportamento può causare bug se non lo conosci.

Best practice per usare copie e viste

Per evitare errori e ottimizzare le performance:

• Usa .copy() quando vuoi isolamento totale
• Usa viste per manipolazioni veloci su grandi dataset
• Controlla sempre .base nei casi dubbi
• Documenta il codice quando il comportamento non è ovvio