numpy.matrix.view

matrix.view(dtype=None, type=None)

数组的新视图与相同的数据。

参数：

dtype：data-type或ndarray子类，可选

返回视图的数据类型描述符，例如float32或int16。默认值“无”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，然后指定返回对象的类型（这相当于设置type参数）。

type：Python类型，可选

返回视图的类型，例如，ndarray或matrix。再次，默认的无导致类型保存。

笔记

a.view()使用两种不同的方式：

a.view(some_dtype)或a.view(dtype=some_dtype)使用不同的数据类型构建数组的内存视图。这可以导致重新解释存储器的字节。

a.view(ndarray_subclass)或a.view(type=ndarray_subclass)只是返回一个ndarray_subclass的实例，形状，dtype等）这不会导致内存的重新解释。

对于a.view(some_dtype)，如果some_dtype每个条目具有与先前dtype不同的字节数（例如，将常规数组转换为结构化数组）那么视图的行为不能仅从a（由print(a)显示）的表面外观预测。它还取决于如何将a存储在存储器中。因此，如果a是C有序对有序的，相对于定义为切片或转置等，视图可以给出不同的结果。

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.matrixlib.defmatrix.matrix'>

在结构化数据组上创建视图，以便可以在计算中使用

>>> 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基础数组

>>> xv[0,1] = 20
>>> print(x)
[(1, 20) (3, 4)]

使用视图将数组转换为recarray：

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

查看共享数据：

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

通常在切片，转置，强制排序等定义的数组上避免改变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):
  File "<stdin>", line 1, in <module>
ValueError: new type not compatible with array.
>>> z = y.copy()
>>> z.view(dtype=[('width', np.int16), ('length', np.int16)])
array([[(1, 2)],
       [(4, 5)]], dtype=[('width', '<i2'), ('length', '<i2')])