2、Numpy Ndarray 对象

1、番外说明

大家好，我是小P，本系列是本人对Python模块Numpy的一些学习记录，总结于此一方面方便其它初学者学习，另一方面害怕自己遗忘，希望大家喜欢。此外，对“目标检测/模型压缩/语义分割”感兴趣的小伙伴，欢迎加入QQ群 813221712 讨论交流，进群请看群公告！（可以点击如下连接直接加入！）
点击链接加入群聊【Object Detection】：https://jq.qq.com/?_wv=1027&k=5kXCXF8

2、正题

参考链接：

http://www.runoob.com/numpy/numpy-ndarray-object.html

https://cloud.tencent.com/developer/article/1106669

2.1 ndarray介绍

NumPy 最重要的一个特点是其 N 维数组对象 ndarray，它是一系列同类型数据的集合，以 0 下标为开始进行集合中元素的索引。ndarray 对象是用于存放同类型元素的多维数组。ndarray 中的每个元素在内存中都有相同存储大小的区域。

NumPy的ndarray提供了一种将同质数据块（可以是连续或跨越）解释为多维数组对象的方式。正如你之前所看到的那样，数据类型（dtype）决定了数据的解释方式，比如浮点数、整数、布尔值等。

ndarray如此强大的部分原因是所有数组对象都是数据块的一个跨度视图（strided view）。你可能想知道数组视图arr[::2,::-1]不复制任何数据的原因是什么。简单地说，ndarray不只是一块内存和一个dtype，它还有跨度信息，这使得数组能以各种步幅（step size）在内存中移动。

ndarray 内部由以下内容组成：

● 一个指向数据（内存或内存映射文件中的一块数据）的指针，这个指针能够找到存储的数组值。

● 数据类型或 dtype，描述在数组中的固定大小值的格子。numpy有一套自己的类型，如np.int8、np.float32

● 一个表示数组形状（shape）的元组，表示各维度大小的元组。如（3，2）表示3行2列的数组

● 一个跨度元组（stride），其中的整数指的是为了前进到当前维度下一个元素需要"跨过"的字节数。跨度可以是负数，这样会使数组在内存中后向移动，切片中 obj[::-1] 或 obj[:,::-1] 就是如此。

ndarray 的内部结构:

一个典型的（C顺序，稍后将详细讲解）3×4×5的float64（8个字节）数组，其跨度为(160,40,8)，这儿跨度的计算根据数据的存储计算，数据三个维度，一共三个跨度。第一个跨度为4×5×8大小，跨一个二维矩阵平面，第二个跨度为5×8，跨一个矩阵的一行，第三个跨度为1×8，跨矩阵的一个元素

知道跨度是非常有用的，通常，跨度在一个轴上越大，沿这个轴进行计算的开销就越大。虽然NumPy用户很少会对数组的跨度信息感兴趣，但它们却是构建非复制式数组视图的重要因素。

可以通过如下代码获取数组的跨度，由此可见知道跨度的意义：

A=np.ones((3,4,5),dtype=np.float64)

A.shape
Out[13]: (3, 4, 5)

A
Out[14]: 
array([[[1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1.]],

       [[1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1.]],

       [[1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1.]]])

A.strides
Out[15]: (160, 40, 8)

由上述可知，由第一维跨度160除以第二维跨度，可以知道矩阵的行数，同理，第二维除以第三维跨度可以知道矩阵的列数，这对于C语言中数据按行存储是非常关键的信息。

NumPy数据类型体系

你可能偶尔需要检查数组中所包含的是否是整数、浮点数、字符串或Python对象。因为浮点数的种类很多（从float16到float128），判断dtype是否属于某个大类的工作非常繁琐。幸运的是，dtype都有一个超类（比如np.integer和np.floating），它们可以跟np.issubdtype函数结合使用：

In [12]: ints = np.ones(10, dtype=np.uint16)

In [13]: floats = np.ones(10, dtype=np.float32)

In [14]: np.issubdtype(ints.dtype, np.integer)
Out[14]: True

In [15]: np.issubdtype(floats.dtype, np.floating)
Out[15]: True

其中，issubdtype函数用来判断某类是否是另一个类的子类

调用dtype的mro方法即可查看其所有的父类：

In [16]: np.float64.mro()
Out[16]:
[numpy.float64,
 numpy.floating,
 numpy.inexact,
 numpy.number,
 numpy.generic,
 float,
 object]

然后得到：

In [17]: np.issubdtype(ints.dtype, np.number)
Out[17]: True

其中，mro()用于获取某个类型的继承链，详细查询参考：https://study.163.com/course/courseLearn.htm?courseId=1005985001#/learn/video?lessonId=1053350157&courseId=1005985001

大部分NumPy用户完全不需要了解这些知识，但是这些知识偶尔还是能派上用场的。下图说明了dtype体系以及父子类关系。

2.2 ndarray创建数组

创建一个 ndarray 只需调用 NumPy 的 array 函数即可：

numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)

参数说明：

实例
接下来可以通过以下实例帮助我们更好的理解。

实例 1
生成一个一维的数组

import numpy as np 
a = np.array([1,2,3])  
print (a)

输出结果如下：

array( [1, 2, 3])

实例 2
生成一个二维数组

import numpy as np 
a = np.array([[1,  2],  [3,  4]])  
print (a)

输出结果如下：

array([[1, 2],
       [3, 4]])

实例 3
通过ndmin参数指定生成数组的最小维度

import numpy as np 
a = np.array([1, 2, 3, 4, 5], ndmin =  2)  
print (a)

输出如下：

array([[1, 2, 3, 4, 5]])

注意，当指定ndmin=2时，则表示生成的数组维度为2，即a的维度为（1，5）,默认前向扩展一维
实例 4
使用dtype 参数更改数据类型

import numpy as np 
a = np.array([1,  2,  3], dtype = complex)  
print (a)

输出结果如下：

array([1.+0.j, 2.+0.j, 3.+0.j])

这儿的数据类型为复数类型

ndarray 对象由计算机内存的连续一维部分组成，并结合索引模式，将每个元素映射到内存块中的一个位置。内存块以行顺序(C样式)或列顺序(FORTRAN或MatLab风格，即前述的F样式)来保存元素。