Python numpy ndarray.view用法及代码示例

本文简要介绍 python 语言中 numpy.ndarray.view 的用法。

用法:

ndarray.view([dtype][, type])

具有相同数据的数组的新视图。

注意

为 dtype 传递 None 与省略参数不同，因为前者调用 dtype(None) 这是 dtype('float_') 的别名。

参数：

dtype： 数据类型或 ndarray sub-class，可选

返回视图的数据类型说明符，例如 float32 或 int16。省略它会导致视图具有与以下内容相同的数据类型a。该参数也可以指定为 ndarray sub-class，然后指定返回对象的类型(这相当于设置type范围)。

type： Python 类型，可选

返回视图的类型，例如 ndarray 或矩阵。同样，省略参数会导致类型保留。

注意：

a.view() 有两种不同的使用方式：

a.view(some_dtype) 或 a.view(dtype=some_dtype) 使用不同的数据类型构造数组内存的视图。这可能会导致重新解释内存字节。

a.view(ndarray_subclass)或者a.view(type=ndarray_subclass)只返回一个实例ndarray_subclass查看相同的数组(相同的形状、数据类型等)，这不会导致内存的重新解释。

对于 a.view(some_dtype) ，如果 some_dtype 每个条目的字节数与之前的 dtype 不同(例如，将常规数组转换为结构化数组)，则无法仅从表面的外观预测视图的行为a(由 print(a) 显示)。它还取决于a 在内存中的存储方式。因此，如果a 是C-ordered 与fortran-ordered，而不是定义为切片或转置等，则视图可能会给出不同的结果。

例子：

>>> x = np.array([(1, 2)], dtype=[('a', np.int8), ('b', np.int8)])

使用不同的类型和 dtype 查看数组数据：

>>> y = x.view(dtype=np.int16, type=np.matrix)
>>> y
matrix([[513]], dtype=int16)
>>> print(type(y))
<class 'numpy.matrix'>

在结构化数组上创建视图，以便将其用于计算

>>> x = np.array([(1, 2),(3,4)], dtype=[('a', np.int8), ('b', np.int8)])
>>> xv = x.view(dtype=np.int8).reshape(-1,2)
>>> xv
array([[1, 2],
       [3, 4]], dtype=int8)
>>> xv.mean(0)
array([2.,  3.])

对视图进行更改会更改底层数组

>>> xv[0,1] = 20
>>> x
array([(1, 20), (3,  4)], dtype=[('a', 'i1'), ('b', 'i1')])

使用视图将数组转换为recarray：

>>> z = x.view(np.recarray)
>>> z.a
array([1, 3], dtype=int8)

视图共享数据：

>>> x[0] = (9, 10)
>>> z[0]
(9, 10)

通常应避免在由切片、转置、fortran-ordering 等定义的数组上更改 dtype 大小(每个条目的字节数)的视图：

>>> x = np.array([[1,2,3],[4,5,6]], dtype=np.int16)
>>> y = x[:, 0:2]
>>> y
array([[1, 2],
       [4, 5]], dtype=int16)
>>> y.view(dtype=[('width', np.int16), ('length', np.int16)])
Traceback (most recent call last):
    ...
ValueError: To change to a dtype of a different size, the array must be C-contiguous
>>> z = y.copy()
>>> z.view(dtype=[('width', np.int16), ('length', np.int16)])
array([[(1, 2)],
       [(4, 5)]], dtype=[('width', '<i2'), ('length', '<i2')])