第12章　NumPy高级应用

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^译注1的，稍后将详细讲解）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^译注2。更准确地讲，ndarray内部由以下内容组成：

·一个指向数组（一个系统内存块）的指针。

·数据类型或dtype。

·一个表示数组形状（shape）的元组，例如，一个10×5的数组，其形状为(10,5)。

       In [8]: np.ones((10, 5)).shape
       Out[8]: (10, 5)

·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，例如，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)。

       In [9]: np.ones((3, 4, 5), dtype=np.float64).strides
       Out[9]: (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。

图12-1简单地说明了ndarray的内部结构。

图12-1：NumPy的ndarray对象

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，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：

In [10]: ints = np.ones(10, dtype=np.uint16)
 
In [11]: floats = np.ones(10, dtype=np.float32)
 
In [12]: np.issubdtype(ints.dtype, np.integer)
Out[12]: True
 
In [13]: np.issubdtype(floats.dtype, np.floating)
Out[13]: True

调用dtype的mro方法即可查看其所有的父类：

In [14]: np.float64.mro()
Out[14]:
[numpy.float64,
 numpy.floating,
 numpy.inexact,
 numpy.number,
 numpy.generic,
 float,
 object]

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12-2说明了dtype体系以及父子类关系^注1。

图12-2：NumPy的dtype体系

译注1：也就是非连续存储。

译注2：数组本身不能移动，这里实际上说的是指针。

注1：有些dtype的名称后面带有下划线，这是为了避免NumPy类型和Python类型之间的变量名冲突。