numpy.ndarray.flags.contiguous是关于什么的？

Question

在对Numpy进行实验时，我发现numpy.info提供的连续值可能与numpy.ndarray.data.contiguous不同(请参阅下面的代码和屏幕快照)。

import numpy as np

x = np.arange(9).reshape(3,3)[:,(0,1)]

np.info(x)

print(f'''
{x.data.contiguous = }
{x.flags.contiguous = }

{x.data.c_contiguous = }
{x.flags.c_contiguous = }

{x.data.f_contiguous = }
{x.flags.f_contiguous = }
''')

根据关于内存视图类的文档，如果数组是C-毗连或Fortran毗连的话，则是data.contiguous == True。至于numpy.info，我相信它显示了flags.contiguous的值。唉，在手册中没有关于它的任何信息。这到底是什么意思？它是flags.c_contiguous的synonim吗？

​

​

Answer 1

在源代码 of numpy.info中，我们可以看到处理ndarray的子例程。

def info(object=None, maxwidth=76, output=None, toplevel='numpy'):
    ...
    elif isinstance(object, ndarray):
        _info(object, output=output)
    ...

def _info(obj, output=None):
    """Provide information about ndarray obj"""
    bp = lambda x: x
    ...
    print("contiguous: ", bp(obj.flags.contiguous), file=output)
    print("fortran: ", obj.flags.fortran, file=output)
    ...

它返回flags.contiguous作为数组的连续性参数。这一项没有在标志描述中指定。但我们可以在flagsobject.c上找到它

// ...
static PyGetSetDef arrayflags_getsets[] = {
    {"contiguous",
        (getter)arrayflags_contiguous_get,
        NULL,
        NULL, NULL},
    {"c_contiguous",
        (getter)arrayflags_contiguous_get,
        NULL,
        NULL, NULL},
// ...

现在很清楚，来自numpy.info的numpy.info参数实际上是flags.c_contiguous，与ndarray.data.contiguous没有任何共同之处。我想，在用C进行编程时，只使用contiguous而不是c_contiguous是很自然的，这就导致了术语上的一点不一致。

Answer 2

x = np.arange(9).reshape(3,3)[:,(0,1)]

np.arange(9)生成一个一维数组；reshape(3,3)将其重组为2d。它是原始view的arange。如果没有order参数，reshape就会使用默认的c-order。

[0,[0,1]]是高级索引，制作一个副本。使用[0,:2]索引将选择相同的值，但会生成一个view。

info的大步是(8,24)。重塑后的strides用于x应该是(24,8)，最后一个维度为8个字节，第一个维度为3*8。但是高级索引会翻转周围的东西--这是我们通常忽略(或不知道)的索引的细节。

第一步较小的二维数组是F-order。

我不会试图破译所有的数据/平面图连续打印，但基本的布局对我来说是显而易见的形状和步伐。我认为跨越式是优先的，所有的“连续”显示都是派生的，可以说是对跨越式发展的解释。

使用3d (或更高)数组，contiguous替代方案可以分解。可以像(48,8,24)这样的步幅来制作一个数组，其中中间维的步数最快。这既不拥挤也不拥挤。

我可以补充说，除非你做的是

np.arange(9).reshape(3,3, order='F')

毗连的类型通常不是我们所担心的。某些功能(尤指)(编译的)要求一定的连续性。一些操作更快(或更慢)，这取决于哪个维度是“最内部的”。但是对于普通的numpy使用，我不太注意flags。在我使用numpy多年之后，我才意识到您的示例索引翻转了order。

你本可以只显示x.flags。我不知道显示x.data为您做了什么。

编辑

x，在我的会话中创建为int32

x
Out[28]: 
array([[0, 1],
       [3, 4],
       [6, 7]])

x.strides
Out[29]: (4, 12)

我通常使用__array_interface__而不是np.info，但信息类似：

x.__array_interface__
Out[30]: 
{'data': (1175190303648, False),
 'strides': (4, 12),
 'descr': [('', '<i4')],
 'typestr': '<i4',
 'shape': (3, 2),
 'version': 3}

我通常看的是strides而不是标志，但下面是完整的显示：

x.flags
Out[31]: 
  C_CONTIGUOUS : False
  F_CONTIGUOUS : True
  OWNDATA : False
  WRITEABLE : True
  ALIGNED : True
  WRITEBACKIFCOPY : False
  UPDATEIFCOPY : False

为什么owndata是假的？显然，索引实际上创建了：

x.base
Out[32]: 
array([[0, 3, 6],
       [1, 4, 7]])

然后返回转置。c_contiguous数组的转置是f_contiguous。

如果我创建相同的数组(valuewise)，但是通过切片，就会得到一个在任何意义上都不是连续的view：

y = np.arange(9).reshape(3,3)[:,:2]

y
Out[34]: 
array([[0, 1],
       [3, 4],
       [6, 7]])

y.strides
Out[35]: (12, 4)

y.base
Out[36]: array([0, 1, 2, 3, 4, 5, 6, 7, 8])

y.flags
Out[37]: 
  C_CONTIGUOUS : False
  F_CONTIGUOUS : False
  OWNDATA : False
  WRITEABLE : True
  ALIGNED : True
  WRITEBACKIFCOPY : False
  UPDATEIFCOPY : False

它是base值的不连续子集。base是原始的np.arange(...)，而不是reshaped结果。