NumPy基础知识（五）

NumPy基础知识（五）

• 数据类型
• 数组创建
• 使用NumPy进行I / O
• 索引编制
• 广播
• 字节交换
• 结构化数组
• 编写自定义数组容器
• 子数组ndarray

广播

术语广播描述了numpy在算术运算期间如何处理具有不同形状的数组。受到某些约束，较小的阵列在较大的阵列上“广播”，以使它们具有兼容的形状。广播提供了一种对数组操作进行矢量化的方法，从而使循环在C而不是Python中发生。这样做无需复制不必要的数据，通常可以实现高效的算法实现。但是，在某些情况下，广播不是一个好主意，因为广播会导致内存使用效率低下，从而减慢计算速度。

NumPy操作通常在逐个数组的基础上对数组进行。在最简单的情况下，两个数组必须具有完全相同的形状，如以下示例所示：

>>>

>>> a = np.array([1.0, 2.0, 3.0])
>>> b = np.array([2.0, 2.0, 2.0])
>>> a * b
array([ 2.,  4.,  6.])

当阵列的形状满足某些约束时，NumPy的广播规则会放宽此约束。在操作中将数组和标量值组合在一起时，会出现最简单的广播示例：

>>>

>>> a = np.array([1.0, 2.0, 3.0])
>>> b = 2.0
>>> a * b
array([ 2.,  4.,  6.])

结果等同于前面的示例，其中b是一个数组。我们可以认为标量在算术运算中b被拉伸成与形状相同的数组a。中的新元素 b只是原始标量的副本。延伸类推只是概念上的。NumPy足够聪明，可以使用原始标量值而无需实际制作副本，从而使广播操作尽可能地节省内存并提高计算效率。

第二个示例中的代码比第一个示例中的代码更有效，因为广播在乘法过程中会移动较少的内存（b是标量而不是数组）。

一般广播规则

在两个数组上进行操作时，NumPy逐元素比较其形状。它从尾随尺寸开始，一直向前发展。两种尺寸兼容

1. 它们相等，或者

2. 其中之一是1

如果不满足这些条件， 则会引发异常，表明数组的形状不兼容。所得数组的大小是沿输入的每个轴的大小不为1。ValueError: operands could not be broadcast together

数组不必具有相同数量的维。例如，如果您有一个256x256x3RGB值数组，并且想用不同的值缩放图像中的每种颜色，则可以将图像乘以一维数组，并使用3个值。根据广播规则来排列这些数组的尾轴的大小，表明它们是兼容的：

Image  (3d array): 256 x 256 x 3
Scale  (1d array):             3
Result (3d array): 256 x 256 x 3

当比较的任一维度为一个维度时，将使用另一个维度。换句话说，尺寸为1的尺寸将被拉伸或“复制”以彼此匹配。

在以下示例中，A和B数组都具有长度为1的轴，这些轴在广播操作期间会扩展为更大的大小：

A      (4d array):  8 x 1 x 6 x 1
B      (3d array):      7 x 1 x 5
Result (4d array):  8 x 7 x 6 x 5

这里还有更多示例：

A      (2d array):  5 x 4
B      (1d array):      1
Result (2d array):  5 x 4

A      (2d array):  5 x 4
B      (1d array):      4
Result (2d array):  5 x 4

A      (3d array):  15 x 3 x 5
B      (3d array):  15 x 1 x 5
Result (3d array):  15 x 3 x 5

A      (3d array):  15 x 3 x 5
B      (2d array):       3 x 5
Result (3d array):  15 x 3 x 5

A      (3d array):  15 x 3 x 5
B      (2d array):       3 x 1
Result (3d array):  15 x 3 x 5

以下是无法广播的形状示例：

A      (1d array):  3
B      (1d array):  4 # trailing dimensions do not match

A      (2d array):      2 x 1
B      (3d array):  8 x 4 x 3 # second from last dimensions mismatched

实践中的广播示例：

>>>

>>> x = np.arange(4)
>>> xx = x.reshape(4,1)
>>> y = np.ones(5)
>>> z = np.ones((3,4))

>>> x.shape
(4,)

>>> y.shape
(5,)

>>> x + y
ValueError: operands could not be broadcast together with shapes (4,) (5,)

>>> xx.shape
(4, 1)

>>> y.shape
(5,)

>>> (xx + y).shape
(4, 5)

>>> xx + y
array([[ 1.,  1.,  1.,  1.,  1.],
       [ 2.,  2.,  2.,  2.,  2.],
       [ 3.,  3.,  3.,  3.,  3.],
       [ 4.,  4.,  4.,  4.,  4.]])

>>> x.shape
(4,)

>>> z.shape
(3, 4)

>>> (x + z).shape
(3, 4)

>>> x + z
array([[ 1.,  2.,  3.,  4.],
       [ 1.,  2.,  3.,  4.],
       [ 1.,  2.,  3.,  4.]])

广播提供了一种获取两个数组的外部乘积（或任何其他外部操作）的便捷方法。以下示例显示了两个1-d数组的外部加法运算：

>>>

>>> a = np.array([0.0, 10.0, 20.0, 30.0])
>>> b = np.array([1.0, 2.0, 3.0])
>>> a[:, np.newaxis] + b
array([[  1.,   2.,   3.],
       [ 11.,  12.,  13.],
       [ 21.,  22.,  23.],
       [ 31.,  32.,  33.]])

在这里，newaxis索引运算符将一个新轴插入a，使其成为二维4x1数组。将4x1数组与b形状为的组合会(3,)生成一个4x3数组。