numpy.chararray.view #
方法
- 字符数组。查看( [dtype][, 类型] ) #
具有相同数据的数组的新视图。
笔记
传递 None
dtype
与省略参数不同,因为前者调用dtype(None)
的是 的别名dtype('float_')
。- 参数:
- dtype数据类型或 ndarray 子类,可选
返回视图的数据类型描述符,例如float32或int16。省略它会导致视图具有与.该参数也可以指定为 ndarray 子类,然后指定返回对象的类型(这相当于设置参数
type
)。- 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。
笔记
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)
或者只是返回ndarray_subclassa.view(type=ndarray_subclass)
的实例,该实例查看相同的数组(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先前的数据类型不同(例如,将常规数组转换为结构化数组),则 的最后一个轴a
必须是连续的。该轴将在结果中调整大小。版本 1.23.0 中更改:仅最后一个轴需要连续。以前,整个数组必须是 C 连续的。
例子
>>> x = np.array([(1, 2)], dtype=[('a', np.int8), ('b', np.int8)])
使用不同的类型和数据类型查看数组数据:
>>> 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.])
更改视图会更改底层数组
>>> 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重新数组:
>>> 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)
在由切片、转置、fortran 排序等定义的数组上,通常应避免更改数据类型大小(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[:, ::2] >>> y array([[1, 3], [4, 6]], 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 last axis must be contiguous >>> z = y.copy() >>> z.view(dtype=[('width', np.int16), ('length', np.int16)]) array([[(1, 3)], [(4, 6)]], dtype=[('width', '<i2'), ('length', '<i2')])
但是,更改 dtype 的视图对于具有连续最后一个轴的数组来说完全没问题,即使其余轴不是 C 连续的:
>>> x = np.arange(2 * 3 * 4, dtype=np.int8).reshape(2, 3, 4) >>> x.transpose(1, 0, 2).view(np.int16) array([[[ 256, 770], [3340, 3854]], [[1284, 1798], [4368, 4882]], [[2312, 2826], [5396, 5910]]], dtype=int16)