Question

在以下示例中：

>>> import numpy as np
>>> a = np.arange(10)
>>> b = a[:,np.newaxis]
>>> c = b.ravel()
>>> np.may_share_memory(a,c)
False

为什么numpy.ravel会返回我的数组副本？它不应该只是返回a吗？

编辑：

我刚刚发现np.squeeze 没有返回副本。

>>> b = a[:,np.newaxis]
>>> c = b.squeeze()
>>> np.may_share_memory(a,c)
True

在这种情况下，为什么squeeze和ravel之间存在差异？

编辑：

正如mgilson指出的那样，newaxis将数组标记为不连续，这就是ravel返回副本的原因。

所以，新问题是为什么newaxis将数组标记为不连续。

但这个故事更加奇怪：

>>> a = np.arange(10)
>>> b = np.expand_dims(a,axis=1)
>>> b.flags
  C_CONTIGUOUS : True
  F_CONTIGUOUS : False
  OWNDATA : False
  WRITEABLE : True
  ALIGNED : True
  UPDATEIFCOPY : False
>>> c = b.ravel()
>>> np.may_share_memory(a,c)
True

根据expand_dims的文档，它应该等同于newaxis。

Answer 1

这可能不是您问题的最佳答案，但看起来插入newaxis会导致numpy将阵列视为非连续 - 可能是出于广播目的：

>>> a=np.arange(10)
>>> b=a[:,None]
>>> a.flags
  C_CONTIGUOUS : True
  F_CONTIGUOUS : True
  OWNDATA : True
  WRITEABLE : True
  ALIGNED : True
  UPDATEIFCOPY : False
>>> b.flags
  C_CONTIGUOUS : False
  F_CONTIGUOUS : False
  OWNDATA : False
  WRITEABLE : True
  ALIGNED : True
  UPDATEIFCOPY : False

然而，重塑不会导致：

>>> c=a.reshape(10,1) 
>>> c.flags
  C_CONTIGUOUS : True
  F_CONTIGUOUS : False
  OWNDATA : False
  WRITEABLE : True
  ALIGNED : True
  UPDATEIFCOPY : False

这些数组确实共享相同的内存：

>>> np.may_share_memory(c.ravel(),a)
True

修改

np.expand_dims实际上是使用reshape实现的，这就是它工作的原因（这在我认为的文档中有轻微错误）。这是源（没有docstring）：

def expand_dims(a,axis): a = asarray(a) shape = a.shape if axis < 0: axis = axis + len(shape) + 1 return a.reshape(shape[:axis] + (1,) + shape[axis:])

Answer 2

看起来它可能与步幅有关：

>>> c = np.expand_dims(a, axis=1)
>>> c.strides
(8, 8)

>>> b = a[:, None]
>>> b.strides
(8, 0)
>>> b.flags
  C_CONTIGUOUS : False
  F_CONTIGUOUS : False
  OWNDATA : False
  WRITEABLE : True
  ALIGNED : True
  UPDATEIFCOPY : False
>>> b.strides = (8, 8)
>>> b.flags
  C_CONTIGUOUS : True
  F_CONTIGUOUS : False
  OWNDATA : False
  WRITEABLE : True
  ALIGNED : True
  UPDATEIFCOPY : False

我不确定维度1在这里的步幅有什么不同，但看起来这就是让numpy将数组视为不连续的原因。

为什么numpy.ravel会返回副本？

2 个答案: