numpy.matrix.view #

方法

矩阵。查看( [dtype][, 类型] ) #

具有相同数据的数组的新视图。

笔记

传递 Nonedtype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.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)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)