《利用Python进行数据分析》附录 A.1 ndarray对象内幕

附录A 高阶Numpy

---

A.1 ndarray 内幕

       NumPy的ndarray提供了一种方法将一组同构数据（连续的或跨步的）解释为多维数组对象。数据类型或dtype决定数据如何被解释为浮点数、整数、布尔值或我们正在查看的任何其他类型。

       让ndarray如此灵活的部分原因是每个数组对象都是一个数据块的分步视图。例如，你可能会想知道数组视图arr[::2, ::-1]如何做到不复制任何数据。原因是ndarray不仅仅是一块内存和一个dtype，它还具有“跨步”信息，使数组能够以不同的步长在内存中移动。更准确地说，ndarray内部包含以下内容：

· 指向数据的指针——即RAM中或内存映射文件中的数据块

· 数据类型或dtype，描述数组中固定大小的值单元格

· 表示数组形状（shape）的元组

· 步长元组，表示要“步进”的字节数的整数以便沿维度推进一个元素

图A-1是简单的ndarray内部构造。

图A-1：NumPy的ndarray对象

例如，一个10×5的数组，其shape为(10, 5)

一个典型的（C阶）3×4×5 float64值（8字节）的数组具有跨度（160,40,8）（见图A-2）

图A-2：示例

注：了解跨度可能是有用的，因为通常特定轴上的跨度越大，沿着该轴执行计算的代价越高

       虽然一般的NumPy用户很少会对数组跨度（strides）感兴趣，但它们是构建“零复制”数组视图的关键因素。跨度甚至可以是负的，这使得数组能够穿过内存“向后”移动（例如，在诸如obj[::-1]或obj[:, ::-1]的切片中就是这种情况）。

---

A.1.1 NumPy dtype层次结构

       你可能时不时会需要写代码检查数组是否包含整数、浮点数、字符串或Python对象。由于浮点数有多种类型（float16到float128），因此检查dtype是否在类型列表中会非常麻烦。幸运的是，dtype有超类，如np.integer和np.floating，它们可以和np.issubdtype函数一起使用（见图A-3）

图A-3：检查代码数组

可以通过调用类型的mro方法来查看特定dtype的所有父类（见图A-4）

图A-4：查看父类、检查

图A-5是dtype的层次结构父类-子类关系图

图A-5：NumPy dtype 类型层级关系

---