使用ndim对ndarray进行Python-numpy测试

Question

我正在研究一个需要大量数值数组计算的Python项目。 不幸的是（或者幸运的是，取决于你的POV），我是Python的新手，但多年来一直在做MATLAB和Octave编程（APL之前）。 我习惯于将每个变量自动输入到矩阵浮点数，并且仍然习惯于检查输入类型。

在我的许多函数中，我要求输入S是numpy.ndarray的大小(n,p) ，所以我必须测试该类型（S）是numpy.ndarray并获取值(n,p) = numpy.shape(S) 。 一个潜在的问题是输入可能是list / tuple / int / etc ......，另一个问题是输入可能是shape ()数组： S.ndim = 0 。 在我看来，我可以同时测试变量类型，修复S.ndim = 0问题，然后得到我的维度：

# first simultaneously test for ndarray and get proper dimensions
try:
    if (S.ndim == 0):
        S = S.copy(); S.shape = (1,1);
    # define dimensions p, and p2
    (p,p2) = numpy.shape(S);
except AttributeError:  # got here because input is not something array-like
    raise AttributeError("blah blah blah");

虽然它有效，但我想知道这是否有效？ ndim的文档字符串说

如果它还不是ndarray，则尝试转换。

我们肯定知道numpy可以轻松地将int / tuple / list转换为数组，所以我很困惑为什么会为这些类型的输入引发AttributeError，当numpy应该这样做

numpy.array(S).ndim;

这应该工作。

Answer 1

在为NumPy代码进行输入验证时，我总是使用np.asarray ：

>>> np.asarray(np.array([1,2,3]))
array([1, 2, 3])
>>> np.asarray([1,2,3])
array([1, 2, 3])
>>> np.asarray((1,2,3))
array([1, 2, 3])
>>> np.asarray(1)
array(1)
>>> np.asarray(1).shape
()

此功能具有很好的功能，它只在必要时复制数据; 如果输入已经是ndarray ，则数据保留在原位（只有类型可能会被更改，因为它也摆脱了那个讨厌的np.matrix ）。

ndim的文档字符串说

这是函数np.ndim的文档字符串，而不是ndim属性，非NumPy对象没有。 您可以使用该功能，但效果可能是数据可能被复制两次，因此请执行以下操作：

S = np.asarray(S)
(p, p2) = S.shape

如果S.ndim != 2这将引发ValueError 。

[最后说明：你不需要; 在Python中，如果你只是遵循缩进规则。 实际上，Python程序员避开了分号。

Answer 2

鉴于对@larsmans回答的评论，您可以尝试：

if not isinstance(S, np.ndarray):
    raise TypeError("Input not a ndarray")
if S.ndim == 0:
    S = np.reshape(S, (1,1))
(p, p2) = S.shape

首先，明确检查S是否是ndarray的（子类）。 然后，如果需要，可以使用np.reshape复制数据（当然np.reshape重新整形）。 最后，你得到了维度。

请注意，在大多数情况下， np函数将首先尝试访问ndarray的相应方法，然后尝试将输入转换为ndarray （有时将其保留为子类，如np.asanyarray ，有时不会（如np.asarray(...) ）。 np.asarray(...) ，使用方法而不是函数总是更有效：这就是我们使用S.shape而不是np.shape(S) 。

另一点： np.asarray ， np.asanyarray ， np.atleast_1D ......都是更通用的函数np.array 。 例如， asarray将array的可选copy参数设置为False ， asanyarray设置相同并设置subok=True ， atleast_1D设置ndmin=1 ， atleast_2d设置ndmin=2 ... np.array ，使用np.array总是更容易用适当的论据。 但正如一些评论中提到的那样，这是一种风格问题。 快捷方式通常可以提高可读性，这始终是一个需要牢记的目标。

在任何情况下，当你使用np.array(..., copy=True) ，你明确地要求提供初始数据的副本，有点像做一个list([....]) 。 即使没有其他更改，您的数据也将被复制。 这有它的缺点的优势（如我们在法国的说），例如，你可以改变的order从行第一C到列第一F 。 但无论如何，你得到你想要的副本。

使用np.array(input, copy=False) ，始终会创建一个新数组。 如果后者已经是ndarray （也就是说，不浪费内存），它将指向同一块内存作为input ，或者如果input不是，则将“从头开始”创建一个新内存块。 有趣的情况当然是input是一个ndarray 。

在函数中使用此新数组可能会也可能不会更改原始输入，具体取决于函数。 您必须检查要使用的函数的文档，以查看它是否返回副本。 NumPy开发人员努力限制不必要的副本（遵循Python示例），但有时无法避免。 文档应该明确说明发生了什么，如果没有或者不清楚，请提及。

如果出现问题， np.array(...)可能会引发一些异常。 例如，尝试使用带有["STRING", 1]类的输入的dtype=float将引发ValueError 。 但是，我必须承认我不记得在所有情况下哪些例外，请相应地编辑这篇文章 。

Answer 3

欢迎来到堆栈溢出。 这归结为几乎一种风格选择，但我看到处理这种情况的最常见方式是将输入转换为数组。 Numpy为此提供了一些有用的工具。 numpy.asarray已被提及，但这里还有一些。 numpy.at_least1d类似于asarray ，但asarray （）数组为（1，） numpy.at_least2d与上面相同，但重塑0d和1d数组为2d，即（3，）到（1,3）。 我们将“array_like”输入转换为数组的部分原因仅仅是因为我们很懒，例如有时写foo([1, 2, 3])比foo(numpy.array([1, 2, 3]))更容易foo(numpy.array([1, 2, 3])) ，但这也是numpy本身的设计选择。 请注意以下工作：

>>> numpy.mean([1., 2., 3.])
>>> 2.0

在numpy.mean的文档中，我们可以看到x应该是“array_like”。

 Parameters ---------- a : array_like Array containing numbers whose mean is desired. If `a` is not an array, a conversion is attempted. 

话虽这么说，有些情况下你只想接受数组作为参数而不是所有“array_like”类型。