numpy.ndarray.view#
方法
- ndarray.view([dtype][, type])#
使用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)
,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)
或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)
或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)