python中view的用法_python numpy matrix.view用法及代码示例

具有相同数据的数组的新视图。

参数：dtype： ： data-type 或 ndarray sub-class, 可选参数

返回视图的数据类型描述符，例如float32或int16。默认值为None(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 sub-class，然后它指定返回对象的类型(这等效于设置type参数)。

type： ： Python type, 可选参数

返回视图的类型，例如ndarray或matrix。同样，默认值None将导致类型保留。

注意：

a.view()有两种不同的用法：

a.view(some_dtype)或者a.view(dtype=some_dtype)使用不同的数据类型构造阵列内存的视图。这可能导致对内存字节的重新解释。

a.view(ndarray_subclass)或者a.view(type=ndarray_subclass)只是返回一个ndarray_subclass实例，该实例看起来在相同的数组(相同的形状，dtype等)。这不会导致对内存的重新解释。

对于a.view(some_dtype)如果some_dtype每个条目的字节数与以前的dtype的字节数不同(例如，将常规数组转换为结构化数组)，则无法仅根据的表面外观来预测视图的行为a(显示为print(a))。这也取决于具体如何a存储在内存中。因此，如果a如果将C-ordered与fortran-ordered进行比较，并且将其定义为切片或转置等，则视图可能会给出不同的结果。

例子：

>>> x = np.array([(1, 2)], dtype=[('a', np.int8), ('b', np.int8)])

使用不同的type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))

在结构化数组上创建视图，以便可以在计算中使用它

>>> 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

>>> 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]

(9, 10)

通常应在由切片，转置，fortran-ordering等定义的数组上避免更改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):

...

ValueError:To change to a dtype of a different size, the array must be C-contiguous

>>> z = y.copy()

>>> z.view(dtype=[('width', np.int16), ('length', np.int16)])

array([[(1, 2)],

[(4, 5)]], dtype=[('width', '