1

注1：在我的情况下，这个问题的答案都不起作用。

注意 2：该解决方案必须在 NumPy 1.14 中工作。

假设我有以下结构化数组：

arr = np.array([(105.0, 34.0, 145.0, 217.0)], dtype=[('a', 'f4'), ('b', 'f4'), ('c', 'f4'), ('d', 'f4')]).

现在我正在像这样切片结构化数据类型：

arr2 = arr[['a', 'b']]

现在我正在尝试将该切片转换为常规数组：

out = arr2[0].view((np.float32, 2))

这导致

ValueError: Changing the dtype of a 0d array is only supported if the itemsize is unchanged

我想得到的只是一个像这样的常规数组：

[105.0, 34.0]

请注意，此示例已简化，以使其最小化。在我的真实用例中，我显然不是在处理包含一个元素的数组。

我知道这个解决方案有效：

out = np.asarray(list(arr2[0]))

但我认为必须有一个更有效的解决方案，而不是将已经在 NumPy 数组中的数据复制到列表中，然后再复制回数组中。我认为有一种方法可以留在 NumPy 中，并且可能根本不复制任何数据，我只是不知道如何。

4

1 回答 1

2

一维数组确实转换为view：

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，我们会收到此错误：

In [273]: arr[0].view('<f4')
---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-273-70fbab8f61ba> in <module>()
----> 1 arr[0].view('<f4')

ValueError: Changing the dtype of a 0d array is only supported if the itemsize is unchanged

早期view通常需要对尺寸进行调整。我怀疑随着最近对结构化数组处理的更改（一次索引多个字段时最明显），这个错误是有意或无意的结果。

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，从 (1,) 到 (4,)。但是改变元素，从 () 到 (4,)。

过去，我曾推荐tolist过解决view(and 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也是将元素从其 numpy 结构中拉出的好方法：

In [281]: arr[0].item()
Out[281]: (105.0, 34.0, 145.0, 217.0)

tolost和的结果item是一个元组。

你担心速度。但你只是在转换一个元素。tolist在 1000 项数组上使用时担心速度是一回事，在使用1 个元素时担心速度是另一回事。

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)

您可以以不会将维度减少到 0 的方式索引元素（并不是说它对速度有很大帮助）：

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仍然需要改变形状；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，因为我们可能想要一个 (10000,4) 形状的二维阵列。

更好的视图变化：

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 1 元素数组，无论是 1d 还是 0d：

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,)

这是在您的链接中的一个答案中提出的：https ://stackoverflow.com/a/10171321/901925

与您在那里的评论相反，它对我有用：

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'

通过编辑：

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，其中arr2 dtype包含一个offsets值。在最近的 numpy 版本中，多字段选择发生了变化。它现在是一个真实的视图，保留了原始数据——所有数据，而不仅仅是选定的字段。项目大小不变：

In [93]: arr.itemsize
Out[93]: 16
In [94]: arr2.itemsize
Out[94]: 16

arr.view(('f4',4)并arr2.view(('f4',4))生产同样的东西。

因此，您不能view（更改 dtype）部分字段集。您必须首先获取view整个数组的 ，然后选择行/列，或者使用tolist.

我正在使用1.14.0. 发行说明1.14.1说：

1.14.0 中结构化数组的多字段索引返回视图而不是副本的更改已被恢复，但 NumPy 1.15 仍保持正常。受影响的用户应阅读 1.14.1 Numpy 用户指南部分“基础知识/结构化数组/访问多个字段”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

这仍在开发中。该文档提到了一个repack_fields功能，但还不存在。

于 2018-04-25T23:43:09.157 回答