• A.1 ndarray对象的内部机理
    • NumPy数据类型体系

    A.1 ndarray对象的内部机理

    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。更准确地讲,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。
    • 数据类型或dtype,描述在数组中的固定大小值的格子。
    • 一个表示数组形状(shape)的元组。
    • 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。

    图A-1简单地说明了ndarray的内部结构。

    图A-1 Numpy的ndarray对象

    例如,一个10×5的数组,其形状为(10,5):

    1. In [10]: np.ones((10, 5)).shape
    2. Out[10]: (10, 5)

    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) —— 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:

    1. In [11]: np.ones((3, 4, 5), dtype=np.float64).strides
    2. Out[11]: (160, 40, 8)

    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。跨度甚至可以是负数,这样会使数组在内存中后向移动,比如在切片obj[::-1]或obj[:,::-1]中就是这样的。

    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:

    1. In [12]: ints = np.ones(10, dtype=np.uint16)
    2. In [13]: floats = np.ones(10, dtype=np.float32)
    3. In [14]: np.issubdtype(ints.dtype, np.integer)
    4. Out[14]: True
    5. In [15]: np.issubdtype(floats.dtype, np.floating)
    6. Out[15]: True

    调用dtype的mro方法即可查看其所有的父类:

    1. In [16]: np.float64.mro()
    2. Out[16]:
    3. [numpy.float64,
    4. numpy.floating,
    5. numpy.inexact,
    6. numpy.number,
    7. numpy.generic,
    8. float,
    9. object]

    然后得到:

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

    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。图A-2说明了dtype体系以及父子类关系。

    图A-2 NumPy的dtype体系