Question

与许多其他人一样，我的情况是我有一个收集大量数据的类，并提供了一种将数据作为numpy数组返回的方法。（即使在返回数组后，其他数据也可以继续流入）。由于创建数组是一项昂贵的操作，我只想在必要时创建它，并尽可能高效地进行创建（特别是，在可能的情况下就地附加数据）。

为此，我一直在阅读有关ndarray.resize（）方法和refcheck参数的一些内容。我知道只有在“您确定没有与另一个Python对象共享此数组的内存”时才应将refcheck设置为False。

事情是我不确定。有时我有，有时我没有。如果refcehck失败（我可以捕获它然后创建一个新的副本），我很好，它会引发错误，但我希望它只有在存在“真正的”外部引用时才会失败，忽略我认为安全的那些。

这是一个简化的插图：

import numpy as np

def array_append(arr, values, refcheck = True):
    added_len = len(values)
    if added_len == 0:
        return arr
    old_len = len(arr)
    new_len = old_len + added_len
    arr.resize(new_len, refcheck = refcheck)
    arr[old_len:] = values
    return arr

class DataCollector(object):

    def __init__(self):
        self._new_data = []
        self._arr = np.array([])

    def add_data(self, data):
        self._new_data.append(data)

    def get_data_as_array(self):
        self._flush()
        return self._arr

    def _flush(self):
        if not self._new_data:
            return
#        self._arr = self._append1()
#        self._arr = self._append2()
        self._arr = self._append3()
        self._new_data = []

    def _append1(self):
        # always raises an error, because there are at least 2 refs:
        # self._arr and local variable 'arr' in array_append()
        return array_append(self._arr, self._new_data, refcheck = True)

    def _append2(self):
        # Does not raise an error, but unsafe in case there are other
        # references to self._arr
        return array_append(self._arr, self._new_data, refcheck = False)

    def _append3(self):
        # "inline" version: works if there are no other references
        # to self._arr, but raises an error if there are.
        added_len = len(self._new_data)
        old_len = len(self._arr)
        self._arr.resize(old_len + added_len, refcheck = True)
        self._arr[old_len:] = self._new_data
        return self._arr

dc = DataCollector()
dc.add_data(0)
dc.add_data(1)
print dc.get_data_as_array()
dc.add_data(2)
print dc.get_data_as_array()
x = dc.get_data_as_array()  # create an external reference
print x.shape
for i in xrange(5000):
    dc.add_data(999)
print dc.get_data_as_array()
print x.shape

问题：

是否有更好（快速）的方法来做我正在尝试做的事情（逐步创建numpy数组）？
有没有办法告诉resize（）方法：“执行重新检查，但忽略一个我知道是安全的引用（或n个引用）”？（这将解决_append1（）总是失败的问题）

Answer 1

我将使用array.array()进行数据收集：

import array
a = array.array("d")
for i in xrange(100):
    a.append(i*2)

每当您想要对收集的数据进行一些计算时，请按numpy.ndarray将其转换为numpy.frombuffer：

b = np.frombuffer(a, dtype=float)
print np.mean(b)

b将与a共享数据内存，因此转换速度非常快。

Answer 2

resize方法有两个主要问题。第一个是当用户调用get_data_as_array时返回对self._arr的引用。现在调整大小将根据您的实现执行两项操作之一。它会修改你给用户的数组，即用户将采用a.shape并且形状将无法预测地改变。或者它会破坏那个阵列，让它指向糟糕的记忆。您可以通过始终get_data_as_array返回self._arr.copy()来解决该问题，但这会让我想到第二个问题。 resize实际上效率不高。我相信一般来说，resize必须分配新的内存并在每次调用它时生成一个数组。此外，您现在需要在每次要将其返回给用户时复制数组。

另一种方法是设计自己的dynamic array，看起来像：

class DynamicArray(object):

    _data = np.empty(1)
    data = _data[:0]
    len = 0
    scale_factor = 2

    def append(self, values):
        old_data = len(self.data)
        total_data = len(values) + old_data
        total_storage = len(self._data)
        if total_storage < total_data:
            while total_storage < total_data:
                total_storage = np.ceil(total_storage * self.scale_factor)
            self._data = np.empty(total_storage)
            self._data[:old_data] = self.data

        self._data[old_data:total_data] = values
        self.data = self._data[:total_data]

这应该非常快，因为您只需要增加数组日志（N）次，并且最多使用2 * N-1个存储，其中N是数组的最大大小。除了增长数组之外，你只是制作_data的视图，它不涉及任何复制，应该是恒定的时间。

希望这很有用。

ndarray.resize：传递refcheck参数的正确值

2 个答案: