理解numpy中ndarray的内存布局和设计哲学

最新推荐文章于 2024-08-31 22:51:31 发布

shine-lee

最新推荐文章于 2024-08-31 22:51:31 发布

阅读量1.4k

点赞数 5

分类专栏： coding 文章标签： python numpy

本文链接：https://blog.csdn.net/blogshinelee/article/details/104256244

版权

本文详细介绍了numpy的ndarray，包括它的设计哲学，如数据存储与解释方式的分离，以及内存布局，强调了数据的连续存储和元数据的重要性。ndarray的内存布局由数据缓冲区和元数据组成，元数据包含数据类型、维度、形状和步长等信息。此外，文章还讨论了副本和视图的概念，以及这样的设计如何提高效率和节省内存。最后，指出ndarray的设计是为矩阵运算优化，所有数据单元同类型，使得按秩访问高效并节省空间。

摘要由CSDN通过智能技术生成

博客：博客园 | CSDN | blog

本文的主要目的在于理解 numpy.ndarray的内存结构及其背后的设计哲学。

ndarray是什么

NumPy provides an N-dimensional array type, the ndarray, which describes a collection of “items” of the same type. The items can be indexed using for example N integers.

—— from https://docs.scipy.org/doc/numpy-1.17.0/reference/arrays.html

ndarray是numpy中的多维数组，数组中的元素具有相同的类型，且可以被索引。

如下所示：

>>> import numpy as np
>>> a = np.array([[0,1,2,3],[4,5,6,7],[8,9,10,11]])
>>> a
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
>>> type(a)
<class 'numpy.ndarray'>
>>> a.dtype   
dtype('int32')
>>> a[1,2]
6
>>> a[:,1:3]
array([[ 1,  2],
       [ 5,  6],
       [ 9, 10]])

>>> a.ndim    
2
>>> a.shape   
(3, 4)        
>>> a