numpy.ndarray.view#

方法

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

使用相同数据的数组的新视图。

注意

dtype 传递 None 与省略参数不同,因为前者调用 dtype(None),它是 dtype('float64') 的别名。

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 a 相同的数据类型。此参数也可以指定为 ndarray 子类,然后它指定返回对象的类型(这等效于设置 type 参数)。

typePython 类型,可选

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

注意

a.view() 以两种不同的方式使用

a.view(some_dtype)a.view(dtype=some_dtype) 使用不同的数据类型构建数组内存的视图。这可能会导致对内存字节的重新解释。

a.view(ndarray_subclass)a.view(type=ndarray_subclass) 只返回 ndarray_subclass 的实例,它查看相同的数组(相同的形状、dtype 等)。这不会导致对内存的重新解释。

对于 a.view(some_dtype),如果 some_dtype 每项的字节数与之前的 dtype 不同(例如,将普通数组转换为结构化数组),则 a 的最后一个轴必须是连续的。此轴将在结果中调整大小。

在版本 1.23.0 中更改: 只有最后一个轴需要是连续的。以前,整个数组必须是 C 连续的。

示例

>>> import numpy as np
>>> 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

>>> nonneg = np.dtype([("a", np.uint8), ("b", np.uint8)])
>>> y = x.view(dtype=nonneg, type=np.recarray)
>>> x["a"]
array([-1], dtype=int8)
>>> y.a
array([255], dtype=uint8)

在结构化数组上创建一个视图,以便它可以用于计算

>>> 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.])

对视图进行的更改会改变底层数组

>>> 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]
np.record((9, 10), dtype=[('a', 'i1'), ('b', 'i1')])

更改 dtype 大小(每项的字节数)的视图通常应避免在由切片、转置、Fortran 顺序等定义的数组上使用。

>>> 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完全没问题,即使其他轴不是 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)