NumPy之order玄学

距

#order探究
a = numpy.arange(12).reshape(3, 4,order='F')
b=a.flat
print(type(b))  #<class 'numpy.flatiter'>
print(b[...])  #[ 0  3  6  9  1  4  7 10  2  5  8 11]
b[0]=100
print(a)
'''
[[100   3   6   9]
 [  1   4   7  10]
 [  2   5   8  11]]
'''
print(b[...])  #[100   3   6   9   1   4   7  10   2   5   8  11]
'''
对比flat，那就很有意思了，不管原数组是啥order模式，flat后的一维数组都能与原数组相互影响，从这点看貌似flat比ravel()更满足''视图''的定义。但同时仍有很多值得注意的地方。
1、ravel()后仍为ndarray对象，而flat后为flatiter对象，但对于flatiter对象，同样可以a.flat[0]、a.flat[1]、a.flat[...]来访问各个元素。
2、不管原数组order是何模式，flat都是按C扁平化的，而不是按A/K。对于ndarray对象而言，一般是变化前后order不同，就会深拷贝一份。
可为什么flat后order不一致，仍然是浅拷贝呢？可能这就是它返回值身为flatiter对象的特殊之处吧。
'''
'''
到目前为止，其实有一个猜想，它与事实是有冲突的，那就是变化前后order不同，就会深拷贝一份。这句话是不准确的。
冲突点就在之前学的a.T
我们知道a与a.T相互影响，浅拷贝，但a与a.T，它们flags属性中关于存储模式的相反的，一个是C的话，另一个肯定是F，也就是说转置前后，存储的order是不同的，可为什么还是浅拷贝呢？浅拷贝的要求，实质是要求的是元素存储序列不发生改变，从a到a.T，虽然order变了，但只要存储序列不变，那就是浅拷贝。
'''
'''
这时，会自然而然地反问道：“那你怎么确定学到的其他函数，order改变后，存储序列就发生改变了呢？”
这你要搞清楚，a.T与其他如copy()、ravel()、array()、asarray()等创建类方法、函数，是不同的。其他创建类方法、函数，是先确定存储顺序（C/F），再确定存储序列；而a.T则是先确定存储序列再确定存储顺序。前者如果确定后的存储顺序产生的存储序列同原数组的存储序列，它会浅拷贝，如果不同则会深拷贝。后者因为存储序列先天相同，所以一定是浅拷贝，只要修改存储顺序即可。
'''
'''
讲到这儿，不得不提及ndarray对象的shape属性了。对于shape属性而言（区别于方法、函数），利用shape属性修改原数组的形状，为何就是在原数组上进行修改了，而不是说像reshape方法一样，原数组不变，返回一个新的变形后的ndarray对象呢？
我认为其变形的机制本质上是控制ndarray对象每行的元素的个数，而这种机制只适用于原本就是按C顺序存储的序列。若原数组存储顺序为F的话，使用shape属性变形会报错（实践出来确实是这么个现象）。
之所以C模式下能利用shape属性变形，这就是C顺序的特性了，非常方便元素的存取，从序列开始的第一个元素到某某元素，就是第一行，再之后就是第二行第三行。我想，计算机将存储序列展开为二维表，在C模式下，就是依靠shape。只要模式不变，即使shape改变，但对元素地址的索引的架构不会发生改变。那么完全就可以对原数组直接变形，而不是返回个什么东西。
而对比a.T,虽然它和shape属性变形一样，不会改变存储序列，但它会改变存储顺序（C/F），那么对元素地址索引的架构也就要改变，所以需要创建一个新的ndarray实例对象，存储这种索引架构的信息。
'''
'''
其实，一直有个疑惑，order的K值和A值有什么区别，或者说在什么情境下，它们会展现出区别？
就拿ravel()来说，我觉得a.T可能是会有点特殊，但仔细想想，还是没区别。
同一个存储序列，依据不同的存储顺序（C/F），可以展开成不同的二维表，那对不同的二维表进行ravel(order='A')的话，不就是展开的逆操作，变成展开前的存储序列嘛，那order='A'不就是order='K'，按存储序列展开嘛。
'''

a = numpy.arange(12).reshape(3, 4)
b=a.T 
print(id(a))  #2137691305520
print(id(a))  #2137691305520
print(id(b))  #2138105724144
print(id(b))  #2138105724144

print(id(b[1][2]))  #2138105985328
print(id(a[2][1]))  #2137685916080
print(id(b[1][2]))  #2138105985328
print(id(b[1][2]))  #2137685916080
print(id(b[1][2]))  #2138105985328
'''
在之前的学习过程中，我就尝试着观察变化前后两数组元素的id，想判断出变化前后两数组的元素是否引用的同一块内存。当时发现数组元素的id太奇怪了。
我依次输出b[0]至b[11]的id，发现它一直在5328、6080这两个值之间不断的跳跃，而直接输出a、b数组的id则不会出现这个状况，这说明b确实是一个新建的ndarray对象，可这元素的id又是咋回事呢？
我又一个间一个的输出a、b各自元素的id，发现所有b的元素id相同，所有a的元素id相同，这难不成还是薛定谔的猫不成？不拿a[0]id与b[0]id对照，b[0]与b[1]id不同；拿a[0]id与b[0]id对照后，b[0]与b[1]id又相同？会不会有这么一种可能性，我不停的访问这个数组的元素id，它们的id值就是左右切换着，哪怕我访问的一直是同一个元素的id。应验了，真的是这样。而且不仅如此，哪怕我再创建个c数组，与a、b数组毫无关系，但我输出c数组的元素id时，发现它和a、b数组元素id一样，在相同的一对不同id值之间左右跳跃。
ndarray实例对象的id是固定不变的，而所有ndarray实例对象元素的id确纠缠在了一起，这可能和nadarray类对象内部机制有关系了。暂不做进一步的研究。
'''