为什么这有效:
>>> f = np.array(([[10,20],[11,21],[11,21],[12,22],[13,23]]))
>>> f
array([[10, 20],
[11, 21],
[11, 21],
[12, 22],
[13, 23]])
>>> f.view([('',f.dtype)]*f.shape[1])
array([[(10, 20)],
[(11, 21)],
[(11, 21)],
[(12, 22)],
[(13, 23)]],
dtype=[('f0', '<i8'), ('f1', '<i8')])
但这并不:
>>> f = np.array(([10,11,11,12,13],[20,21,21,22,23])).T
>>> f
array([[10, 20],
[11, 21],
[11, 21],
[12, 22],
[13, 23]])
>>> f.view([('',f.dtype)]*f.shape[1])
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
ValueError: new type not compatible with array.
最佳答案
默认情况下,您的 numpy 数组存储在内存中 row major order 中的单个连续 block 中。定义结构化数组时,所有字段在内存中也必须是连续的。在您的情况下,您要求将每一行存储在内存中的连续位置。当您转置数组时,不会打乱数据,只会更改步幅,这意味着现在列存储在内存中的连续位置。
虽然可能需要复制数据,这很慢,但安全的方法是在执行结构数组魔法之前调用np.ascontigouslyarray
:
>>> f = np.array([[10,11,11,12,13],[20,21,21,22,23]]).T
>>> f = np.ascontiguousarray(f)
>>> f.view([('',f.dtype)]*f.shape[1])
array([[(10, 20)],
[(11, 21)],
[(11, 21)],
[(12, 22)],
[(13, 23)]],
dtype=[('f0', '<i4'), ('f1', '<i4')])
关于python - View 不适用于转置数组,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/17409122/