重塑n维数组的视图而无需使用重塑

重塑n维数组的视图而无需使用重塑

我从中举了一个例子

view_as_blocks

，并尝试了您的重塑风格：

A = np.arange(4*4).reshape(4,4)B = view_as_blocks(A, block_shape=(2, 2))print(A.__array_interface__)print(B.__array_interface__)C = B.reshape((2*2,2,2))print(C.__array_interface__)

生产：

{'typestr': '<i4', 'data': (153226600, False), 'shape': (4, 4), 'descr': [('', '<i4')], 'version': 3, 'strides': None}{'typestr': '<i4', 'data': (153226600, False), 'shape': (2, 2, 2, 2), 'descr': [('', '<i4')], 'version': 3, 'strides': (32, 8, 16, 4)}{'typestr': '<i4', 'data': (150895960, False), 'shape': (4, 2, 2), 'descr': [('', '<i4')], 'version': 3, 'strides': None}

在

data

用于指针

A

和

B

是相同的;

B

是对的看法

A

。

但是指向的指针

C

是不同的。它是副本。这就解释了为什么需要这么长时间。

---

让我们做一些不同的事情：

A = np.arange(4*4).reshape(4,4)B = view_as_blocks(A, block_shape=(2, 2))print(A.__array_interface__)print(B.__array_interface__)C = B.reshape((2*2,1,2,2))print(C.__array_interface__)D = as_strided(B, shape=(2*2,1,2,2))print(D.__array_interface__)print(B[1,1,:,:])print(C[3,0,:,:])print(D[3,0,:,:])

生产

1254:~/mypy$ python3 skshape.py {'strides': None, 'typestr': '<i4', 'version': 3,  'data': (154278744, False), 'shape': (4, 4), 'descr': [('', '<i4')]}{'strides': (32, 8, 16, 4), 'typestr': '<i4', 'version': 3,  'data': (154278744, False), 'shape': (2, 2, 2, 2), 'descr': [('', '<i4')]}{'strides': None, 'typestr': '<i4', 'version': 3,  'data': (155705400, False), 'shape': (4, 1, 2, 2), 'descr': [('', '<i4')]}{'strides': (32, 8, 16, 4), 'typestr': '<i4', 'version': 3,  'data': (154278744, False), 'shape': (4, 1, 2, 2), 'descr': [('', '<i4')]}[[10 11] [14 15]][[10 11] [14 15]][[  154561960 -1217783696] [         48        3905]]

再次重塑会创建一个副本。第二个

as_strides

返回一个视图，但跨度被拧紧。它正在查看原始数据缓冲区之外的内存（这就是为什么自己大步走很危险的部分原因）。

---

在我的示例中，查看每个块的第一个角值

print(B[:,:,0,0])print(C[:,0,0,0])[[ 0  2] [ 8 10]][ 0  2  8 10]

对于

B

，行增加8，列增加2；这反映在

(32,8)

（4 * 8,4 * 2）步幅上。

但是

C

步骤是（2,6,2）-大步前进无法做到。

由此我得出结论，没有复制就不可能进行重塑。