我刚刚注意到这一点:
import numpy as np
import sys
arr = np.broadcast_to(0, (10, 1000000000000))
print(arr.nbytes) # prints "80000000000000"
print(sys.getsizeof(arr)) # prints "120"
这是一个错误还是预期的行为?即,nbytes
是否意味着保存“逻辑”字节数,而不是考虑 0 步幅?
最佳答案
虽然我没有看到它的记录,但nbytes
看起来确实像形状和itemsize
的乘积,或arr.size*arr.itemsize
.
在我看过的所有示例中,nbytes
使用形状/大小的数组,而不是其基
的数组。所以我不会过多地阅读文档中使用的“消耗”。
你的例子:
In [117]: arr = np.broadcast_to(0,(1,2,3))
In [119]: arr.shape, arr.strides, arr.nbytes
Out[119]: ((1, 2, 3), (0, 0, 0), 24)
In [120]: arr.base
Out[120]: array(0)
In [121]: arr.base.nbytes
Out[121]: 4
广播数组是一个小得多的数组的 View
; nbytes
反射(reflect)其自身的形状,而不是基数的形状。
再举一个例子,其中 View
是基础的子集:
In [122]: np.arange(100).nbytes
Out[122]: 400
In [123]: np.arange(100)[::4].nbytes
Out[123]: 100
可以在np.lib.stride_tricks._broadcast_to
查看broadcast_to
的代码。它使用 np.nditer
生成新 View 。
sys.getsizeof
合理地返回了数组及其 on 数据的内存使用情况(即 base
为 None
)。它不为 View
提供任何有用的信息。
滑动窗口
用于制作“更大”数组的跨步技巧的另一个示例:
In [180]: arr = np.arange(16).reshape(4,4).copy()
In [181]: arr.shape, arr.strides, arr.nbytes
Out[181]: ((4, 4), (16, 4), 64)
In [182]: res = np.lib.stride_tricks.sliding_window_view(arr,(2,2))
In [183]: res.shape, res.strides, res.nbytes
Out[183]: ((3, 3, 2, 2), (16, 4, 16, 4), 144)
这是原始 (4,4) arr
的 View
:
In [184]: res.base
Out[184]: <numpy.lib.stride_tricks.DummyArray at 0x1fa8e7cc730>
In [185]: res.base.base
Out[185]:
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[12, 13, 14, 15]])
In [186]: res.base.base is arr
Out[186]: True
关于python - 使用 `nbytes` 广播后,numpy 数组中的 `broadcast_to` 值错误,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/74990485/