numpy.recarray.view¶
-
recarray.
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')])