numpy.matrix.view

方法

matrix.view([dtype][, type])

具有相同数据的数组的新视图。

注解

不通过 dtype 与省略参数不同，因为前者调用 dtype(None) 这是的别名 dtype('float_') .

参数

dtype数据类型或ndarray子类，可选

返回视图的数据类型描述符，例如float32或int16。省略它会导致视图的数据类型与 a . 此参数也可以指定为ndarray子类，然后指定返回对象的类型（这相当于设置 type 参数）。

typepython类型，可选

返回视图的类型，例如ndarray或matrix。同样，省略参数会导致类型保留。

笔记

a.view() 使用两种不同的方式：

a.view(some_dtype) 或 a.view(dtype=some_dtype) 使用不同的数据类型构造数组内存的视图。这可能导致对内存字节的重新解释。

a.view(ndarray_subclass) 或 a.view(type=ndarray_subclass) 只返回 ndarray_subclass 它查看相同的数组（相同的形状、数据类型等），这不会导致对内存的重新解释。

为了 a.view(some_dtype) 如果 some_dtype 每个条目的字节数与前一个数据类型的字节数不同（例如，将常规数组转换为结构化数组），因此无法仅从 a （如图所示） print(a) ）这也取决于 a 存储在内存中。因此如果 a 是C顺序还是FORTRAN顺序，而不是定义为切片或转置等，视图可能会给出不同的结果。

实例

>>> x = np.array([(1, 2)], dtype=[('a', np.int8), ('b', np.int8)])

使用不同的类型和数据类型查看阵列数据：

>>> y = x.view(dtype=np.int16, type=np.matrix)
>>> y
matrix([[513]], dtype=int16)
>>> print(type(y))
<class 'numpy.matrix'>

在结构化数组上创建视图，以便在计算中使用

>>> x = np.array([(1, 2),(3,4)], dtype=[('a', np.int8), ('b', np.int8)])
>>> xv = x.view(dtype=np.int8).reshape(-1,2)
>>> xv
array([[1, 2],
       [3, 4]], dtype=int8)
>>> xv.mean(0)
array([2.,  3.])

对视图进行更改会更改基础数组

>>> xv[0,1] = 20
>>> x
array([(1, 20), (3,  4)], dtype=[('a', 'i1'), ('b', 'i1')])

使用视图将数组转换为recarray:

>>> z = x.view(np.recarray)
>>> z.a
array([1, 3], dtype=int8)

视图共享数据：

>>> x[0] = (9, 10)
>>> z[0]
(9, 10)

通常应避免在由切片、转置、Fortran排序等定义的数组上使用更改数据类型大小（每个条目的字节数）的视图：

>>> x = np.array([[1,2,3],[4,5,6]], dtype=np.int16)
>>> y = x[:, 0:2]
>>> y
array([[1, 2],
       [4, 5]], dtype=int16)
>>> y.view(dtype=[('width', np.int16), ('length', np.int16)])
Traceback (most recent call last):
    ...
ValueError: To change to a dtype of a different size, the array must be C-contiguous
>>> z = y.copy()
>>> z.view(dtype=[('width', np.int16), ('length', np.int16)])
array([[(1, 2)],
       [(4, 5)]], dtype=[('width', '<i2'), ('length', '<i2')])

numpy.matrix.var numpy.asmatrix