python fortran混合编程输入矩阵_将fortran翻译成python：用于从文本fi生成矩阵的等价命令...

首先，Fortranequivalence和内存布局。我们需要先看看内存布局。为了简单起见，我将描述二维情况。对于任意维，一般化不应该太难理解。在

fortran数组总是一个连续的内存块1。最左边的索引变化最快(称为列主顺序)。所以：a(i, j)

a(i+1, j)

几乎总是。在某些情况下，数组切片和F90+指针可能会使该语句不真实。即使这样，这些“数组”也由分配给程序的连续内存块来支持…

在内存中是相邻的。现在，假设我们有一个用长度a(N, M)声明的数组。从内存的角度来看，这与数组a(N*M)没有什么不同，其中索引的映射是：

^{pr2}$

(N-1是因为fortran在索引中默认为基于1)。在

最终，当您有一个2D数组时，编译器将您的语句a(i, j)转换为a(i*(N-1) + j)。它可能也会进行一些边界检查(例如，确保i在1和{}之间，但通常必须用编译器标志打开它，因为它会轻微影响性能，而且Fortran群众确实不喜欢它在程序减速时；-)。在

好吧，我们在哪？对于编译器来说，N维数组实际上只是一个带有索引重新映射的一维数组。

现在我们可以开始处理equivalence。C中类似的构造是指针。等价语句表示ping中的第一个元素与pg中的第一个元素是相同的内存位置。这允许用户将数据读入ping，这是一个平面数组，但是让它填充n维数组(因为最终，它们共享相同的内存位置)。值得注意的是，现代Fortran有指针。它们并不完全像C指针，但我认为大多数Fortran爱好者会建议您在新代码中使用它们，而不是等效的。在

现在，我如何在python中读取这些数据？我可能会做一些简单的事情：def yield_values(filename):

with open(filename) as f_input:

for line in f_input:

for val in line.split(','):

yield float(val)

然后你可以把它打包成一个numpy数组：import numpy as np

arr = np.array(list(yield_values('data.dat')))

最后，可以重塑阵列的形状：# Account for python's Row-major ordering.

arr = arr.reshape((NTAUg, NTg, NDg, NSIZ))

如果您更喜欢fortran的列主顺序：arr = arr.reshape((NSIZ, NDg, NTg, NTAUg), order='F')