numpy.char.chararray.view

метод

char.chararray.view([dtype][, type])

Новый вид массива с теми же данными.

Примечание

Передача None для dtype отличается от пропуска параметра, так как первый вызывает dtype(None), который является псевдонимом для dtype('float_').

Параметры

dtypeтип данных или подкласс ndarray, необязательно

Дескриптор типа данных возвращаемого вида, например, float32 или int16. Пропуск приводит к тому, что вид имеет тот же тип данных, что и a. Этот аргумент также может быть указан как подкласс ndarray, который затем определяет тип возвращаемого объекта (это эквивалентно установке параметра type).

typeтип Python, необязательно

Тип возвращаемого вида, например, ndarray или matrix. Опять же, пропуск параметра приводит к сохранению типа.

Примечания

a.view() используется двумя различными способами:

a.view(some_dtype) или a.view(dtype=some_dtype) создает представление памяти массива с другим типом данных. Это может привести к переинтерпретации байтов памяти.

a.view(ndarray_subclass) или a.view(type=ndarray_subclass) просто возвращает экземпляр ndarray_subclass, который смотрит на тот же массив (такая же форма, тип данных и т. д.). Это не приводит к переинтерпретации памяти.

Для a.view(some_dtype), если у some_dtype разное количество байтов на запись, чем у предыдущего типа данных (например, преобразование обычного массива в структурированный массив), то поведение представления нельзя предсказать только по внешнему виду a (показанное print(a)). Это также зависит от того, как a хранится в памяти. Поэтому, если a является C-упорядоченным или Fortran-упорядоченным, или определен как срез или транспонирование и т. д., представление может давать разные результаты.

Примеры

>>> x = np.array([(1, 2)], dtype=[('a', np.int8), ('b', np.int8)])

Просмотр данных массива с использованием другого типа и типа данных:

>>> y = x.view(dtype=np.int16, type=np.matrix)
>>> y
matrix([[513]], dtype=int16)
>>> print(type(y))
<class 'numpy.matrix'>

Создание представления структурированного массива, чтобы его можно было использовать в расчетах

>>> x = np.array([(1, 2),(3,4)], dtype=[('a', np.int8), ('b', np.int8)])
>>> xv = x.view(dtype=np.int8).reshape(-1,2)
>>> xv
array([[1, 2],
       [3, 4]], dtype=int8)
>>> xv.mean(0)
array([2.,  3.])

Изменения в представлении изменяют исходный массив

>>> xv[0,1] = 20
>>> x
array([(1, 20), (3,  4)], dtype=[('a', 'i1'), ('b', 'i1')])

Использование представления для преобразования массива в recarray:

>>> z = x.view(np.recarray)
>>> z.a
array([1, 3], dtype=int8)

Представления совместно используют данные:

>>> x[0] = (9, 10)
>>> z[0]
(9, 10)

Представления, которые изменяют размер типа данных (байты на запись), обычно следует избегать в массивах, определенных срезами, транспонированием, Fortran-упорядочением и т. д.:

>>> x = np.array([[1,2,3],[4,5,6]], dtype=np.int16)
>>> y = x[:, 0:2]
>>> y
array([[1, 2],
       [4, 5]], dtype=int16)
>>> y.view(dtype=[('width', np.int16), ('length', np.int16)])
Traceback (most recent call last):
    ...
ValueError: To change to a dtype of a different size, the array must be C-contiguous
>>> z = y.copy()
>>> z.view(dtype=[('width', np.int16), ('length', np.int16)])
array([[(1, 2)],
       [(4, 5)]], dtype=[('width', '<i2'), ('length', '<i2')])