如何使用 numpy ndarray 使用给定数据创建 n 维数组

Question

我正在尝试将我的数据转换为 ndarray。 虽然我得到了我想要的，但是在测试时我无法弄清楚为什么它会给我这个输出。

我得到输出：

np.ndarray(shape = (2,1),buffer = np.array([1,2,3,4]))
array([[4.24399158e-314],
   [8.48798317e-314]])

但是对于这个块，我可以按照我想要的方式投射我的随机数。

def x_mat(n,m):
   np.random.seed(0)
   randoms = np.random.normal(size=n*m)
   print(randoms)
   rand_mat = np.ndarray(shape = (n,m),buffer = randoms)
   return(rand_mat)
x_mat(5,2)

给：

[ 1.76405235  0.40015721  0.97873798  2.2408932   1.86755799 -0.97727788 
  0.95008842 -0.15135721 -0.10321885  0.4105985 ]


array([[ 1.76405235,  0.40015721],
       [ 0.97873798,  2.2408932 ],
       [ 1.86755799, -0.97727788],
       [ 0.95008842, -0.15135721],
       [-0.10321885,  0.4105985 ]])

如果有人可以帮助我理解这种行为。 它在第二种情况下做了正确的事情，但我发现第一种情况并不直接。 为什么第一种情况是这样的？

Answer 1

来自带有签名的ndarray 文档。

ndarray(shape, dtype, buffer, offset, strides, order)

1. 如果buffer为 None，则仅使用 shape、dtype 和 order。
2. 如果buffer是一个暴露缓冲区接口的对象，那么所有的关键字都会被解释。

对于第一个示例，似乎是这样，即使buffer是整数的np.array ， ndarray也将其解释为不同的类型。 您必须为其提供可选参数dtype = int以便 ndarray 明确知道其元素是整数类型。

np.ndarray(shape = (2,1), dtype = int, buffer = np.array([1,2,3,4]))

Answer 2

In [164]: x = np.array([1,2,3,4])
In [165]: x.__array_interface__
Out[165]: 
{'data': (40465184, False),
 'strides': None,
 'descr': [('', '<i8')],
 'typestr': '<i8',
 'shape': (4,),
 'version': 3}

使用ndarray创建的数组具有相同的data缓冲区：

In [166]: y = np.ndarray(shape = (2,1),buffer = x)
In [167]: y
Out[167]: 
array([[5.e-324],
       [1.e-323]])
In [168]: y.__array_interface__
Out[168]: 
{'data': (40465184, False),        # same as for x
 'strides': None,
 'descr': [('', '<f8')],
 'typestr': '<f8',
 'shape': (2, 1),
 'version': 3}

对于使用 int dtype 的数组：

In [169]: z = np.ndarray(shape = (2,1),buffer = x, dtype=int)
In [170]: z.__array_interface__
Out[170]: 
{'data': (40465184, False),
 'strides': None,
 'descr': [('', '<i8')],
 'typestr': '<i8',
 'shape': (2, 1),
 'version': 3}

事实上，我们不需要将x作为缓冲区参数传递，只需传递其x.data属性即可：

In [171]: np.ndarray(shape = (2,1), buffer = x.data, dtype=int)
Out[171]: 
array([[1],
       [2]])

由于共享数据缓冲区，对z的修改也出现在x中 In [172]: z[:] *= 2 In [173]: z Out[173]: array([[2], [4]])输入 [174]: x 输出[174]: 数组([2, 4, 3, 4])

和y ：

In [175]: y
Out[175]: 
array([[1.e-323],
       [2.e-323]])

使用offset ，我们可以创建一个选择数据缓冲区不同部分的数组：

In [178]: w=np.ndarray(shape = (2,1), buffer = x.data, dtype=int, offset=8)
In [179]: w
Out[179]: 
array([[4],
       [3]])

但通常我们不使用ndarray来执行此操作。 相反，我们使用切片来获取view ，如果需要，可以使用reshape ：

In [181]: x[1:3].reshape(2,1)
Out[181]: 
array([[4],
       [3]])

---

您可以使用randoms.reshape(n,m)或np.random.normal(size=(n,m))构造等价的rand_mat 。

ndarray通常仅在buffer来自其他来源时才需要，这些来源还不是可以ndarray或viewed的 ndarray 。

Answer 3

让我们考虑您的第一个示例：

n = np.ndarray(shape=(2,2), buffer= np.array([1,12,3,4,5,6]), dtype=int, order='F') 
#Note that order is 'F' here and the the order changes from above. 
print(n)

Output: 
[[ 1  3]
 [12  4]]

观察由于提供了缓冲区，现在它进一步研究了形状、数据类型和顺序。 让我们将顺序更改为“c”，看看会发生什么。

n = np.ndarray(shape=(2,2), buffer= np.array([1,12,3,4,5,6]), dtype=int, order='C') 
#Note that order is 'C' here.
print(n)

[[ 1 12]
 [ 3  4]]

现在，让我们将缓冲区设为“无”。 然后它只需要 0 和 1 的值并将形状和 dtype 应用到它。

n = np.ndarray(shape=(2,2), buffer= None, dtype=int, order='F') 
print(n)

Output:
[[1 1]
 [1 0]]

总而言之，只要有缓冲区，就需要一个数组。 它必须对其应用 dtype、order 和 shape。 当它为无时，缓冲区根本不适用。 希望这可以帮助！：）