import numpy as np
x = np.arange(10, dtype=np.int)
print('An integer array:', x)
print ('An float array:', x.view(np.float))
An integer array: [0 1 2 3 4 5 6 7 8 9][ 0.00000000e+000 4.94065646e-324 9.88131292e-324 1.48219694e-323 1.97626258e-323 2.47032823e-323 2.96439388e-323 3.45845952e-323 3.95252517e-323 4.44659081e-323]
An float array:
在实际使用中我们往往会采取更复杂的dtype（也就是说view可以与dtype搭配使用）输出内存中的值，后面我们会示范对于结构化数组的较为复杂的view使用。
一、view和copy
我们从numpy.reshape()函数入手，文档对于其返回值的解释：
Returns
-------
reshaped_array : ndarray
This will be a new view object if possible; otherwise, it will
be a copy. Note there is no guarantee of the *memory layout* (C- or
Fortran- contiguous) of the returned array.
a = np.zeros([2,10], dtype=np.int32) b = a.T # 转置破坏连续结构 a.flags['C_CONTIGUOUS'] # True b.flags['C_CONTIGUOUS'] # False np.may_share_memory(a,b) # True b.base is a # True id(b)==id(a) # False a.shape = 20 # a的shape变了 a.flags['C_CONTIGUOUS'] # True # b.shape = 20 # AttributeError: incompatible shape for a non-contiguous array # 想要使用指定shape的方式，只能是连续数组，但是reshape方法由于不改变原数组，所以reshape不受影响
数组切片是否会copy数据？
不过，数组的切片对象虽然并非contiguous，但是对它的reshape操作并不会copy新的对象，
a = np.arange(16).reshape(4,4)
print(a.T.flags['C_CONTIGUOUS'],a[:,0].flags['C_CONTIGUOUS'])
# False False
print (np.may_share_memory(a,a.T.reshape(16)),
np.may_share_memory(a,a[:,0].reshape(4)))
# False True
但是，下一小节会介绍，高级切片会copy数组，开辟新的内存。
二、numpy的结构数组
利用np.dtype可以构建结构数组，numpy.ndarray.base会返回内存主人的信息，文档如下，
Help on getset descriptor numpy.ndarray.base:
base
Base object if memory is from some other object.
Examples
--------
The base of an array that owns its memory is None:
>>> x = np.array([1,2,3,4])
>>> x.base is None
True
Slicing creates a view, whose memory is shared with x:
>>> y = x[2:]
>>> y.base is x
True
1、建立结构数组
persontype = np.dtype({
'names':['name','age','weight','height'],
'formats':['S30','i','f','f']}, align=True)
a = np.array([('Zhang',32,72.5,167),
('Wang',24,65,170)],dtype=persontype)
a['age'].base
array([(b'Zhang', 32, 72.5, 167.),
(b'Wang', 24, 65. , 170.)],
dtype={'names':['name','age','weight','height'],
'formats':['S30','<i4','<f4','<f4'],
'offsets':[0,32,36,40],
'itemsize':44,
'aligned':True})
2、高级切片和普通切片的不同
In [26]: a.base In [27]: a[0].base In [28]: a[:1].base Out[28]: array([123, 4, 5, 6, 78]) In [29]: a[[0,1]].base In [30]: a.base is None Out[30]: True In [31]: a[0].base is None Out[31]: True In [32]: a[:1].base is None Out[32]: False In [33]: a[[0,1]].base is None Out[33]: True
由上可见高级切片会开辟新的内存，复制被切出的数据，这是因为这种不规则的内存访问使用原来的内存结构效率很低(逻辑相邻元素内存不相邻，标准的访问由于固定了起始和步长相当于访问相邻元素，所以效率较高)，拷贝出来就是连续的内存数组了。
3、高级切片且不开辟新内存的方法
回到上上小节的结构数组，
print(a['age'].base is a) print(a[['age', 'height']].base is None)
True
True
我们通过指定内存解析方式，实现不开辟新内存，将原内存解析为高级切片指定的结构数组，
def fields_view(arr, fields):
dtype2 = np.dtype({name:arr.dtype.fields[name] for name in fields})
# print(dtype2)
# {'names':['age','weight'], 'formats':['<i4','<f4'], 'offsets':[32,36], 'itemsize':40}
# print([(name,arr.dtype.fields[name]) for name in fields])
# [('age', (dtype('int32'), 32)), ('weight', (dtype('float32'), 36))]
# print(arr.strides)
# (44,)
return np.ndarray(arr.shape, dtype2, arr, 0, arr.strides)
'''
ndarray(shape, dtype=float, buffer=None, offset=0,
| strides=None, order=None)
参数 类型 作用
shape int型tuple 多维数组的形状
dtype data-type 数组中元素的类型
buffer 用于初始化数组的buffer
offset int buffer中用于初始化数组的首个数据的偏移
strides int型tuple 每个轴的下标增加1时，数据指针在内存中增加的字节数
order 'C' 或者 'F' 'C':行优先；'F':列优先
'''
v = fields_view(a, ['age', 'weight'])
print(v.base is a)
v['age'] += 10
print('+++'*10)
print(v)
print(v.dtype)
print(v.dtype.fields)
print('+++'*10)
print(a)
print(a.dtype)
print(a.dtype.fields)
True
++++++++++++++++++++++++++++++
[(42, 72.5) (34, 65. )]
{'names':['age','weight'], 'formats':['<i4','<f4'], 'offsets':[32,36], 'itemsize':40}
{'age': (dtype('int32'), 32), 'weight': (dtype('float32'), 36)}
++++++++++++++++++++++++++++++
[(b'Zhang', 42, 72.5, 167.) (b'Wang', 34, 65. , 170.)]
{'names':['name','age','weight','height'], 'formats':['S30','<i4','<f4','<f4'], 'offsets':[0,32,36,40], 'itemsize':44, 'aligned':True}
{'name': (dtype('S30'), 0), 'age': (dtype('int32'), 32), 'weight': (dtype('float32'), 36), 'height': (dtype('float32'), 40)}
这里注意一下.dtype的’itemsize‘参数，表示添加一条（行）数据，内存增加了多少字节，由于保存了'offsets'偏移信息，我们生成的dtype展示的是一个稀疏的结构，但是每一行不会有多余的尾巴，这是因为空元素是由实元素记录偏移量的空隙产生的。
在『Numpy』内存分析_numpy.dtype解析内存数据中我们会更详细的介绍有关数组内存解析的方法。