numpy.ndarray.view#

方法

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

具有相同数据的数组新视图.

备注

为 dtype 传递 None 与省略该参数不同,因为前者会调用 dtype(None),这是 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,这指定了返回对象的类型（这相当于设置 type 参数）.

typePython 类型, 可选

返回视图的类型,例如,ndarray 或 matrix.同样,省略该参数会导致类型保持不变.

备注

a.view() 有两种不同的使用方式:

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

a.view(ndarray_subclass) 或 a.view(type=ndarray_subclass) 仅返回一个 ndarray_subclass 实例,该实例查看相同的数组（相同的形状、dtype 等）.这不会导致内存的重新解释.

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

在 1.23.0 版本发生变更: 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)

创建一个结构化数组的视图,以便它可以在计算中使用

>>> 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')])

改变 dtype 大小（每项字节数）的视图通常应避免在由切片、转置、fortran 排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')])

然而,对于最后一个轴是连续的数组,改变数据类型是完全可行的,即使其余的轴不是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)
On this page