Question

我想了解NumPy行为。

当我尝试获取NumPy数组的内部数组的引用，然后将其与对象本身进行比较时，我得到返回值False。

以下是示例：

In [198]: x = np.array([[1,2,3], [4,5,6]])
In [201]: x0 = x[0]
In [202]: x0 is x[0]
Out[202]: False

另一方面，对于Python本机对象，返回的是True。

In [205]: c = [[1,2,3],[1]]    
In [206]: c0 = c[0]    
In [207]: c0 is c[0]
Out[207]: True

我的问题是，NumPy的预期行为是什么？如果是这样，如果我想创建NumPy数组的内部对象的引用，我该怎么办。

Answer 1

2d切片

当我第一次写这篇文章时，我构建并索引了一个1d数组。但是OP正在使用2d数组，因此x[0]是＆＃39;行＆＃39;，是原始数据的一部分。

In [81]: arr = np.array([[1,2,3], [4,5,6]])
In [82]: arr.__array_interface__['data']
Out[82]: (181595128, False)

In [83]: x0 = arr[0,:]
In [84]: x0.__array_interface__['data']
Out[84]: (181595128, False)        # same databuffer pointer
In [85]: id(x0)
Out[85]: 2886887088
In [86]: x1 = arr[0,:]             # another slice, different id
In [87]: x1.__array_interface__['data']
Out[87]: (181595128, False)
In [88]: id(x1)
Out[88]: 2886888888

我之前写的关于切片的内容仍然适用。索引单个元素，与arr[0,0]一样，与1d数组的工作方式相同。

这个2d arr与1d arr.ravel()具有相同的数据缓冲区;形状和步幅不同。 view，copy和item之间的区别仍然适用。

在C中实现2d数组的常用方法是使用指向其他数组的指针数组。 numpy采用不同的strided方法，只使用一个平面数据阵列，并使用shape和strides参数来实现横向。因此，子数组需要自己的shape和strides以及指向共享数据缓冲区的指针。

1d数组索引

我将尝试说明索引数组时发生的事情：

In [51]: arr = np.arange(4)

数组是具有各种属性（如形状和数据缓冲区）的对象。缓冲区将数据存储为字节（在C数组中），而不是Python数字对象。您可以使用以下命令查看有关阵列的信息：

In [52]: np.info(arr)
class:  ndarray
shape:  (4,)
strides:  (4,)
itemsize:  4
aligned:  True
contiguous:  True
fortran:  True
data pointer: 0xa84f8d8
byteorder:  little
byteswap:  False
type: int32

或

In [53]: arr.__array_interface__
Out[53]: 
{'data': (176486616, False),
 'descr': [('', '<i4')],
 'shape': (4,),
 'strides': None,
 'typestr': '<i4',
 'version': 3}

一个数据指针为十六进制，另一个为十进制。我们通常不会直接引用它。

如果我索引一个元素，我会得到一个新对象：

In [54]: x1 = arr[1]
In [55]: type(x1)
Out[55]: numpy.int32
In [56]: x1.__array_interface__
Out[56]: 
{'__ref': array(1),
 'data': (181158400, False),
....}
In [57]: id(x1)
Out[57]: 2946170352

它有一些数组的属性，但不是全部。例如，您无法分配给它。另请注意，它的“数据”值完全不同。

从同一个地方做另一个选择 - 不同的ID和不同的数据：

In [58]: x2 = arr[1]
In [59]: id(x2)
Out[59]: 2946170336
In [60]: x2.__array_interface__['data']
Out[60]: (181143288, False)

此外，如果此时更改数组，则不会影响先前的选择：

In [61]: arr[1] = 10
In [62]: arr
Out[62]: array([ 0, 10,  2,  3])
In [63]: x1
Out[63]: 1

x1和x2不具有相同的id，因此不会与is匹配，并且他们不会使用arr数据缓冲区。没有任何记录表明该变量来自arr。

使用slicing，可以获得原始数组的view，

In [64]: y = arr[1:2]
In [65]: y.__array_interface__
Out[65]: 
{'data': (176486620, False),
 'descr': [('', '<i4')],
 'shape': (1,),
 ....}
In [66]: y
Out[66]: array([10])
In [67]: y[0]=4
In [68]: arr
Out[68]: array([0, 4, 2, 3])
In [69]: x1
Out[69]: 1

它的数据指针比arr大4个字节 - 也就是说，它指向同一个缓冲区，只是一个不同的位置。更改y确实会更改arr（但不会更改独立的x1）。

我甚至可以对这个项目进行0d视图

In [71]: z = y.reshape(())
In [72]: z
Out[72]: array(4)
In [73]: z[...]=0
In [74]: arr
Out[74]: array([0, 0, 2, 3])

在Python代码中，我们通常不会使用这样的对象。当我们使用c-api或cython时，可以直接访问数据缓冲区。 nditer是一种迭代机制，可以像这样使用0d对象（在Python或c-api中）。 cython typed memoryviews对于低级别访问特别有用。

http://cython.readthedocs.io/en/latest/src/userguide/memoryviews.html

https://docs.scipy.org/doc/numpy/reference/arrays.nditer.html

https://docs.scipy.org/doc/numpy/reference/c-api.iterator.html#c.NpyIter

elementwise ==

回复评论Comparing NumPy object references

np.array（[1]）== np.array（[2]）将返回数组（[False]，dtype = bool）

==被定义为数组作为元素操作。它比较各个元素的值并返回匹配的布尔数组。

如果需要在标量上下文中使用此类比较（例如if），则需要将其缩减为单个值，与np.all或np.any一样。< / p>

is测试比较对象ID（不仅仅是numpy对象）。它在实际编码中的价值有限。我经常在像is None这样的表达式中使用它，其中None是一个具有唯一id的对象，并且它不能很好地与相等测试一起使用。

Answer 2

我认为你对Numpy数组缺乏了解。您认为Numpy中的多维数组（如Python列表中）中的子数组是单独的对象，嗯，它们不是。

Numpy数组，无论其大小如何，都只是一个对象。这是因为Numpy在C级创建数组，当它们作为python对象加载时，它不能分解为多个对象。这使得Python可以在您使用split()，__getitem__，take()等属性时创建一个用于保留新零件的新对象，事实上，这就是它的方式该python抽象出Numpy数组的类似列表的行为。

您还可以实时检查瘦身，如下所示：

In [7]: x
Out[7]: 
array([[1, 2, 3],
       [4, 5, 6]])

In [8]: x[0] is x[0]
Out[8]: False

因此，只要你有一个数组或任何可以在其中包含其他对象的可变对象，你就会有一个python可变对象，因此你将失去性能和所有其他Numpy数组的酷炫功能。

同样如评论中提到的@Imanol，如果要在修改带引用的数组时进行内存优化和灵活操作，可能需要使用Numpy视图对象。 view个对象可以通过以下两种方式构建：

a.view(some_dtype)或a.view(dtype=some_dtype)构建了一个视图   数组的内存具有不同的数据类型。这可能会导致   重新解释内存的字节。

a.view(ndarray_subclass)或a.view(type=ndarray_subclass)只会返回   ndarray_subclass的一个实例，它查看相同的数组（相同   形状，dtype等）这不会导致重新解释   存储器中。

对于a.view(some_dtype)，如果some_dtype具有不同的字节数   每个条目比上一个dtype（例如，转换常规   数组到结构化数组），然后视图的行为不能   只是从一个表面的外观预测（显示为   print(a)）。它还取决于a如何存储在内存中。   因此，如果a是C顺序而不是fortran-ordered，则定义为   切片或转置等，视图可能会给出不同的结果。

Answer 3

不确定目前是否有用，但是numpy.ndarray.ctypes似乎有用： https://docs.scipy.org/doc/numpy/reference/generated/numpy.ndarray.ctypes.html

使用了类似的内容（缺少dtype，但没错）

def is_same_array(a, b):
    return (a.shape == b.shape) and (a == b).all() and a.ctypes.data == b.ctypes.data

此处： https://github.com/EricCousineau-TRI/repro/blob/a60daf899e9726daf2ca1259bb80ad2c7c9b3e3f/python/namedlist_alt.py#L111

比较NumPy对象引用

3 个答案:

2d切片

1d数组索引

elementwise ==