1维数组可以使用 view
进行转换:
In [270]: arr = np.array([(105.0, 34.0, 145.0, 217.0)], dtype=[('a', 'f4'), ('b','f4'), ('c', 'f4'), ('d', 'f4')])
In [271]: arr
Out[271]:
array([(105., 34., 145., 217.)],
dtype=[('a', '<f4'), ('b', '<f4'), ('c', '<f4'), ('d', '<f4')])
In [272]: arr.view('<f4')
Out[272]: array([105., 34., 145., 217.], dtype=float32)
当我们尝试转换单个元素时,就会出现这个错误:
In [273]: arr[0].view('<f4')
ValueError Traceback (most recent call last)
<ipython-input-273-70fbab8f61ba> in <module>()
ValueError: Changing the dtype of a 0d array is only supported if the itemsize is unchanged
之前的 view
经常需要进行尺寸调整。我怀疑最近对结构化数组的处理方式发生了变化(在同时索引多个字段时最为明显),这个错误是有意或无意地造成的结果。
在整个数组的情况下,它将 1d、4 字段数组更改为 1d、4 元素数组,(1,) 变为 (4,)。但是更改元素,则从 () 变为 (4,)。
过去,我建议使用 tolist
作为解决 view
(和 astype
)问题的最可靠方法:
In [274]: arr[0].tolist()
Out[274]: (105.0, 34.0, 145.0, 217.0)
In [279]: list(arr[0].tolist())
Out[279]: [105.0, 34.0, 145.0, 217.0]
In [280]: np.array(arr[0].tolist())
Out[280]: array([105., 34., 145., 217.])
item
也是从numpy结构中提取元素的好方法:
In [281]: arr[0].item()
Out[281]: (105.0, 34.0, 145.0, 217.0)
< p >
tolost
和
item
的结果是一个元组。
你担心速度。但是你只转换了一个元素。当在1000项数组上使用tolist
时担心速度是一回事,而在处理1个元素时则完全不同。
In [283]: timeit arr[0]
131 ns ± 1.31 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)
In [284]: timeit arr[0].tolist()
1.25 µs ± 11.9 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
In [285]: timeit arr[0].item()
1.27 µs ± 2.39 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
In [286]: timeit arr.tolist()
493 ns ± 17.2 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
In [287]: timeit arr.view('f4')
1.74 µs ± 18.7 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
你可以以不降低维度为代价的方式对元素进行索引(虽然这并没有太大帮助):
In [288]: arr[[0]].view('f4')
Out[288]: array([105., 34., 145., 217.], dtype=float32)
In [289]: timeit arr[[0]].view('f4')
6.54 µs ± 15.9 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
In [290]: timeit arr[0:1].view('f4')
2.63 µs ± 105 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
In [298]: timeit arr[0][None].view('f4')
4.28 µs ± 160 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
view
仍需要改变形状;考虑一个大数组:
In [299]: arrs = np.repeat(arr, 10000)
In [301]: arrs.view('f4')
Out[301]: array([105., 34., 145., ..., 34., 145., 217.], dtype=float32)
In [303]: arrs.shape
Out[303]: (10000,)
In [304]: arrs.view('f4').shape
Out[304]: (40000,)
视图仍然是一维的,而我们可能希望一个 (10000,4) 形状的二维数组。
更好的视图更改:
In [306]: arrs.view(('f4',4))
Out[306]:
array([[105., 34., 145., 217.],
[105., 34., 145., 217.],
[105., 34., 145., 217.],
...,
[105., 34., 145., 217.],
[105., 34., 145., 217.],
[105., 34., 145., 217.]], dtype=float32)
In [307]: _.shape
Out[307]: (10000, 4)
这适用于包含1个元素的数组,无论是一维还是零维:
In [308]: arr.view(('f4',4))
Out[308]: array([[105., 34., 145., 217.]], dtype=float32)
In [309]: _.shape
Out[309]: (1, 4)
In [310]: arr[0].view(('f4',4))
Out[310]: array([105., 34., 145., 217.], dtype=float32)
In [311]: _.shape
Out[311]: (4,)
这是你链接中的一个回答提出的建议:
https://dev59.com/LW025IYBdhLWcg3whGax#10171321
与你的评论相反,它对我有效:
In [312]: arr[0].view((np.float32, len(arr.dtype.names)))
Out[312]: array([105., 34., 145., 217.], dtype=float32)
In [313]: np.__version__
Out[313]: '1.14.0'
有编辑:
In [84]: arr = np.array([(105.0, 34.0, 145.0, 217.0)], dtype=[('a', 'f4'), ('b','f4'), ('c', 'f4'), ('d', 'f4')])
In [85]: arr2 = arr[['a', 'b']]
In [86]: arr2
Out[86]:
array([(105., 34.)],
dtype={'names':['a','b'], 'formats':['<f4','<f4'], 'offsets':[0,4], 'itemsize':16})
In [87]: arr2.view(('f4',2))
...
ValueError: Changing the dtype to a subarray type is only supported if the total itemsize is unchanged
请注意,
arr2
的
dtype
包括一个
offsets
值。在最近的numpy版本中,多字段选择已经改变。现在它是一个真正的视图,保留了原始数据 - 所有的数据,而不仅仅是选定的字段。项目大小未更改:
In [93]: arr.itemsize
Out[93]: 16
In [94]: arr2.itemsize
Out[94]: 16
arr.view(('f4',4))
和 arr2.view(('f4',4))
产生相同的结果。
因此,您无法对字段的部分集进行 view
(更改数据类型)。您必须先对整个数组进行 view
,然后选择行/列或使用 tolist
。
我正在使用 1.14.0
。 1.14.1
的发布说明如下:
在结构化数组的多字段索引中,1.14.0 中返回视图而不是副本的更改已被撤销,但仍将在 NumPy 1.15 上保持。受影响的用户应阅读 1.14.1 Numpy 用户指南中的“基础知识 / 结构化数组 / 访问多个字段”一节,以获取有关如何管理此转换的建议。
https://docs.scipy.org/doc/numpy-1.14.2/user/basics.rec.html#accessing-multiple-fields
这还在开发中。那份文档提到了一个 repack_fields
函数,但是它目前还不存在。
np.array(arr[0].tolist())
吗? - paultarr[0].view((np.float32, len(arr.dtype.names)))
对我来说是有效的。 - pault1.11.2
。 - pault