使用布尔或序列对象获取numpy数组的视图(高级索引)

Question

如何通过作为索引的numpy数组的布尔值或元组返回numpy数组的视图(而不是副本)？

问题是，这通常会返回一个副本：

当选择对象obj是非元组序列对象、ndarray (数据类型为整型或bool)或至少有一个序列对象或ndarray (数据类型为整型或bool)的元组时，将触发高级索引。高级索引有两种类型:整数索引和布尔索引。 高级索引总是返回数据的副本(与返回视图的基本切片相反)。

我这么做的动机是为了节省记忆。下面是这个问题的一个快速例子：

import numpy as np

big_number = 10
x = np.ones((big_number, big_number, big_number))

#
sub_array = np.s_[(1, 2, 3, 5, 7), :, :]
y = x[sub_array]
print(y.flags['OWNDATA'])

真的

一般来说，索引的元组没有任何结构(1，2，3，5，7)，所以我很难理解如何将它按照基本的numpy索引所需的规则步调进行调整。

Answer 1

可视化两个数组是否可以共享内存的一种方法是查看它们的“ravel”

In [422]: x = np.arange(24).reshape((4,3,2))
In [423]: x
Out[423]: 
array([[[ 0,  1],
        [ 2,  3],
        [ 4,  5]],

       [[ 6,  7],
        [ 8,  9],
        [10, 11]],

       [[12, 13],
        [14, 15],
        [16, 17]],

       [[18, 19],
        [20, 21],
        [22, 23]]])
In [424]: y = x[[1,3,0,2],:,:]  # rearrange the 1st axis
In [425]: y
Out[425]: 
array([[[ 6,  7],
        [ 8,  9],
        [10, 11]],

       [[18, 19],
        [20, 21],
        [22, 23]],

       [[ 0,  1],
        [ 2,  3],
        [ 4,  5]],

       [[12, 13],
        [14, 15],
        [16, 17]]])

In [428]: x.ravel(order='K')
Out[428]: 
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
       17, 18, 19, 20, 21, 22, 23])
In [429]: y.ravel(order='K')
Out[429]: 
array([ 6,  7,  8,  9, 10, 11, 18, 19, 20, 21, 22, 23,  0,  1,  2,  3,  4,
        5, 12, 13, 14, 15, 16, 17])

注意y中的元素是如何以不同的顺序发生的。我们不可能通过x“大步”获得y。

除了order参数之外，ravel使用'C'，当新数组执行某种轴转置时，这会使我们感到困惑。正如在另一个答案中所指出的，x.T是一个视图，它是通过重新排序轴来实现的，从而改变了进度。

在430: x.T.ravel() # transposed数组中逐行查看Out430: x.T.ravel(0、6、12、18、2、8、14、20、4、10、16、22、1、7、13、19、3、9、15、21、5、11、17、23)：x.T.ravel(order='K') # Out431: Out431:Out431( 0，1，2，3，4，5，6，7、8、9、10、11、12、13、14、15、16、17、18、19、20、21、22、23)

__array_interface__是查看数组底层结构的方便工具：

In [432]: x.__array_interface__
Out[432]: 
{'data': (45848336, False),
 'strides': None,
 'descr': [('', '<i8')],
 'typestr': '<i8',
 'shape': (4, 3, 2),
 'version': 3}
In [433]: y.__array_interface__
Out[433]: 
{'data': (45892944, False),
 'strides': None,
 'descr': [('', '<i8')],
 'typestr': '<i8',
 'shape': (4, 3, 2),
 'version': 3}
In [434]: x.T.__array_interface__
Out[434]: 
{'data': (45848336, False),     # same as for x
 'strides': (8, 16, 48),        # reordered strides
 'descr': [('', '<i8')],
 'typestr': '<i8',
 'shape': (2, 3, 4),
 'version': 3}

Answer 2

NumPy中的视图是基于查看内存中相同的数据，只是有一些不同起点和“跨越式”的混合，必须对每个维度进行遍历。(当索引在每个维度中增加一个时，大步告诉我们需要在数组中移动的字节数。)

如果给定原始数组，您想要的数组可以用这种方式表示，那么将其构造为原始数组的视图应该非常容易。例如，在您的评论中，您提到了调整轴的顺序；这只是对np.transpose的调用，应该给您一个视图。不过，一般说来，高级索引不会为您提供一个正确形式的子数组，这就是为什么NumPy不会从它返回视图。(这还不够“聪明”，无法识别那些可能出现视图的特殊情况--你必须手动进行。)

下面是一些例子：

In [1]: import numpy as np
   ...: x = np.empty((20,30,5))
   ...: x.strides

Out[1]: (1200, 40, 8)

In [2]: y = x.transpose((1,2,0))
   ...: y.strides

Out[2]: (40, 8, 1200)

In [3]: y.flags['OWNDATA']
Out[3]: False

In [4]: z = x[12:1:-2, 1:25:4, :]
   ...: z.strides

Out[4]: (-2400, 160, 8)

In [5]: z.flags['OWNDATA']
Out[5]: False

使用transpose实现transpose的轴来实现y只是改变了前进的步伐。获得z的一个相当复杂的标准索引也改变了步幅(第一步乘以-2，第二步乘以4，因为这是步骤)。

我们可以看到，y和z都是视图，因为OWNDATA标志是假的。