numpy.memmap.resize¶
-
memmap.
resize
(new_shape, refcheck=True)¶ 就地更改数组的形状和大小。
参数: new_shape:ints的tuple,或n ints
调整数组的形状。
refcheck:bool,可选
如果为False,将不检查引用计数。默认值为True。
返回: 没有
上升: ValueError
如果a不拥有自己的数据或引用或其视图,则必须更改数据存储器。
SystemError
如果指定了order关键字参数。这个行为是NumPy中的一个错误。
也可以看看
resize
- 返回具有指定形状的新数组。
笔记
如果需要,为数据区重新分配空间。
只能调整连续的数组(内存中连续的数据元素)。
引用计数检查的目的是确保您不要使用此数组作为另一个Python对象的缓冲区,然后重新分配内存。但是,引用计数可以增加其他方式,所以如果你确定你没有与另一个Python对象共享此数组的内存,那么你可以安全地将refcheck设置为False。
例子
缩减数组:数组被展平(按照数据存储在内存中的顺序),调整大小和重新形状:
>>> a = np.array([[0, 1], [2, 3]], order='C') >>> a.resize((2, 1)) >>> a array([[0], [1]])
>>> a = np.array([[0, 1], [2, 3]], order='F') >>> a.resize((2, 1)) >>> a array([[0], [2]])
放大数组:如上所述,但缺少的条目用零填充:
>>> b = np.array([[0, 1], [2, 3]]) >>> b.resize(2, 3) # new_shape parameter doesn't have to be a tuple >>> b array([[0, 1, 2], [3, 0, 0]])
引用数组阻止调整大小...
>>> c = a >>> a.resize((1, 1)) Traceback (most recent call last): ... ValueError: cannot resize an array that has been referenced ...
除非refcheck为False:
>>> a.resize((1, 1), refcheck=False) >>> a array([[0]]) >>> c array([[0]])