2、Numpy Ndarray 對象

1、番外說明

大家好，我是小P，本系列是本人對Python模塊Numpy的一些學習記錄，總結於此一方面方便其它初學者學習，另一方面害怕自己遺忘，希望大家喜歡。此外，對“目標檢測/模型壓縮/語義分割”感興趣的小夥伴，歡迎加入QQ羣 813221712 討論交流，進羣請看羣公告！（可以點擊如下連接直接加入！）
點擊鏈接加入羣聊【Object Detection】：https://jq.qq.com/?_wv=1027&k=5kXCXF8

2、正題

參考鏈接：

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

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

2.1 ndarray介紹

NumPy 最重要的一個特點是其 N 維數組對象 ndarray，它是一系列同類型數據的集合，以 0 下標爲開始進行集合中元素的索引。ndarray 對象是用於存放同類型元素的多維數組。ndarray 中的每個元素在內存中都有相同存儲大小的區域。

NumPy的ndarray提供了一種將同質數據塊（可以是連續或跨越）解釋爲多維數組對象的方式。正如你之前所看到的那樣，數據類型（dtype）決定了數據的解釋方式，比如浮點數、整數、布爾值等。

ndarray如此強大的部分原因是所有數組對象都是數據塊的一個跨度視圖（strided view）。你可能想知道數組視圖arr[::2,::-1]不復制任何數據的原因是什麼。簡單地說，ndarray不只是一塊內存和一個dtype，它還有跨度信息，這使得數組能以各種步幅（step size）在內存中移動。

ndarray 內部由以下內容組成：

● 一個指向數據（內存或內存映射文件中的一塊數據）的指針，這個指針能夠找到存儲的數組值。

● 數據類型或 dtype，描述在數組中的固定大小值的格子。numpy有一套自己的類型，如np.int8、np.float32

● 一個表示數組形狀（shape）的元組，表示各維度大小的元組。如（3，2）表示3行2列的數組

● 一個跨度元組（stride），其中的整數指的是爲了前進到當前維度下一個元素需要"跨過"的字節數。跨度可以是負數，這樣會使數組在內存中後向移動，切片中 obj[::-1] 或 obj[:,::-1] 就是如此。

ndarray 的內部結構:

一個典型的（C順序，稍後將詳細講解）3×4×5的float64（8個字節）數組，其跨度爲(160,40,8)，這兒跨度的計算根據數據的存儲計算，數據三個維度，一共三個跨度。第一個跨度爲4×5×8大小，跨一個二維矩陣平面，第二個跨度爲5×8，跨一個矩陣的一行，第三個跨度爲1×8，跨矩陣的一個元素

知道跨度是非常有用的，通常，跨度在一個軸上越大，沿這個軸進行計算的開銷就越大。雖然NumPy用戶很少會對數組的跨度信息感興趣，但它們卻是構建非複製式數組視圖的重要因素。

可以通過如下代碼獲取數組的跨度，由此可見知道跨度的意義：

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，由第一維跨度160除以第二維跨度，可以知道矩陣的行數，同理，第二維除以第三維跨度可以知道矩陣的列數，這對於C語言中數據按行存儲是非常關鍵的信息。

NumPy數據類型體系

你可能偶爾需要檢查數組中所包含的是否是整數、浮點數、字符串或Python對象。因爲浮點數的種類很多（從float16到float128），判斷dtype是否屬於某個大類的工作非常繁瑣。幸運的是，dtype都有一個超類（比如np.integer和np.floating），它們可以跟np.issubdtype函數結合使用：

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函數用來判斷某類是否是另一個類的子類

調用dtype的mro方法即可查看其所有的父類：

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

然後得到：

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

其中，mro()用於獲取某個類型的繼承鏈，詳細查詢參考：https://study.163.com/course/courseLearn.htm?courseId=1005985001#/learn/video?lessonId=1053350157&courseId=1005985001

大部分NumPy用戶完全不需要了解這些知識，但是這些知識偶爾還是能派上用場的。下圖說明了dtype體系以及父子類關係。

2.2 ndarray創建數組

創建一個 ndarray 只需調用 NumPy 的 array 函數即可：

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

參數說明：

實例
接下來可以通過以下實例幫助我們更好的理解。

實例 1
生成一個一維的數組

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

輸出結果如下：

array( [1, 2, 3])

實例 2
生成一個二維數組

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

輸出結果如下：

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

實例 3
通過ndmin參數指定生成數組的最小維度

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

輸出如下：

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

注意，當指定ndmin=2時，則表示生成的數組維度爲2，即a的維度爲（1，5）,默認前向擴展一維
實例 4
使用dtype 參數更改數據類型

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

輸出結果如下：

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

這兒的數據類型爲複數類型

ndarray 對象由計算機內存的連續一維部分組成，並結合索引模式，將每個元素映射到內存塊中的一個位置。內存塊以行順序(C樣式)或列順序(FORTRAN或MatLab風格，即前述的F樣式)來保存元素。