Ansicht von numpy strukturierten Array mit Offsets

Question

Ich habe folgendes numpy strukturierte Array:

In [250]: x 
Out[250]: 
array([(22, 2, -1000000000, 2000), (22, 2, 400, 2000), 
     (22, 2, 804846, 2000), (44, 2, 800, 4000), (55, 5, 900, 5000), 
     (55, 5, 1000, 5000), (55, 5, 8900, 5000), (55, 5, 11400, 5000), 
     (33, 3, 14500, 3000), (33, 3, 40550, 3000), (33, 3, 40990, 3000), 
     (33, 3, 44400, 3000)], 
     dtype=[('f1', '<i4'), ('f2', '<i4'), ('f3', '<i4'), ('f4', '<i4')]) 

Das Array ist eine Teilmenge (auch eine Ansicht) der obigen Anordnung:

Ich bin versuchen, y in ein normales numpy-Array zu konvertieren. Ich möchte, dass das Array eine Ansicht ist. Das Problem ist, dass die folgende ist mir ein Fehler:

In [254]: y.view(('<i4',2)) 
--------------------------------------------------------------------------- 
TypeError         Traceback (most recent call last) 
<ipython-input-254-88440f106a89> in <module>() 
----> 1 y.view(('<i4',2)) 

C:\numpy\core\_internal.pyc in _view_is_safe(oldtype, newtype) 
    499 
    500  # raises if there is a problem 
--> 501  _check_field_overlap(new_fieldtile, old_fieldtile) 
    502 
    503 # Given a string containing a PEP 3118 format specifier, 

C:\numpy\core\_internal.pyc in _check_field_overlap(new_fields, old_fields) 
    402   old_bytes.update(set(range(off, off+tp.itemsize))) 
    403  if new_bytes.difference(old_bytes): 
--> 404   raise TypeError("view would access data parent array doesn't own") 
    405 
    406  #next check that we do not interpret non-Objects as Objects, and vv 

TypeError: view would access data parent array doesn't own 

Wenn jedoch i aufeinanderfolgenden Feldern wählen, es funktioniert:

In [255]: fields=['f1','f2'] 
    ...: 
    ...: y=x.getfield(np.dtype(
    ...:     {name: x.dtype.fields[name] for name in fields} 
    ...:     )) 
    ...: 

In [256]: y 
Out[256]: 
array([(22, 2), (22, 2), (22, 2), (44, 2), (55, 5), (55, 5), (55, 5), 
     (55, 5), (33, 3), (33, 3), (33, 3), (33, 3)], 
     dtype=[('f1', '<i4'), ('f2', '<i4')]) 

In [257]: y.view(('<i4',2)) 
Out[257]: 
array([[22, 2], 
     [22, 2], 
     [22, 2], 
     [44, 2], 
     [55, 5], 
     [55, 5], 
     [55, 5], 
     [55, 5], 
     [33, 3], 
     [33, 3], 
     [33, 3], 
     [33, 3]]) 

Ansicht Gießen scheint zu funktionieren nicht, wenn die Felder nicht aneinander grenzen, ist es eine Alternative?

Answer 1

Ja, verwenden Sie den ndarray Konstruktor direkt:

x = np.array([(22, 2, -1000000000, 2000), 
       (22, 2,   400, 2000), 
       (22, 2,  804846, 2000), 
       (44, 2,   800, 4000), 
       (55, 5,   900, 5000), 
       (55, 5,  1000, 5000)], 
      dtype=[('f1','i'),('f2','i'),('f3','i'),('f4','i')]) 

fields = ['f4', 'f1'] 
shape = x.shape + (len(fields),) 
offsets = [x.dtype.fields[name][1] for name in fields] 
assert not any(np.diff(offsets, n=2)) 
strides = x.strides + (offsets[1] - offsets[0],) 
y = np.ndarray(shape=shape, dtype='i', buffer=x, 
       offset=offsets[0], strides=strides) 
print repr(y) 

Gibt:

array([[2000, 22], 
     [2000, 22], 
     [2000, 22], 
     [4000, 44], 
     [5000, 55], 
     [5000, 55]]) 

---

Btw, wenn alle Felder in der ursprünglichen Anordnung die gleiche dtype haben, ist es viel einfacher, zuerst Erstellen Sie eine Ansicht für dieses Array, gefolgt von einer Slicing-Operation. wie oben für das gleiche Ergebnis:

y = x.view('i').reshape(x.shape + (-1,))[:,-1::-3] 

Answer 2

Das Folgende ist ein wenig verwirrend - aber das Wesentliche ist, dass für diese Art von view zu arbeiten muss es in der Lage sein, auf die Felder mit regelmäßigen Array-Schritten und Formen zugreifen. Das Auslesen von ['f1', 'f3'] schlägt aus dem gleichen Grund fehl, dass np.ones((12,4))[:,[0,2]] eine Kopie erzeugt.

========

In Ihrer strukturierten Array wird jeder Datensatz als 4 * 'I4' Bytes gespeichert. Das Layout ist kompatibel mit einem (n, 4) 'I4' Array:

In [381]: x.__array_interface__['data'] # databuffer pointer 
Out[381]: (160925352, False) 
In [382]: x.view(('i',4)).__array_interface__['data'] 
Out[382]: (160925352, False)   # same buffer 
In [387]: x.view(('i',4)).shape 
Out[387]: (12, 4) 

aber wenn ich nehme verschiedene Scheiben dieses Arrays

In [383]: x.view(('i',4))[:,[0,1]].__array_interface__['data'] 
Out[383]: (169894184, False)  # advance indexing - a copy 

In [384]: x.view(('i',4))[:,:2].__array_interface__['data'] 
Out[384]: (160925352, False)  # same buffer 

Aber Auswahl von [ 'F1', 'F3'] entspricht: x.view(('i',4))[:,[0,2]], eine weitere Kopie.

Oder schauen Sie sich die Schritte an. Mit den ersten zwei Feldern

In [404]: y2=x.getfield(np.dtype({name: x.dtype.fields[name] for name in ['f1','f2']})) 
In [405]: y2.dtype 
Out[405]: dtype([('f1', '<i4'), ('f2', '<i4')]) 
In [406]: y2.strides 
Out[406]: (16,) 
In [407]: y2.view(('i',2)).strides 
Out[407]: (16, 4) 

Um dieses Array als nur ints zu sehen, es von 16 Zeilen Schritt kann und durch 4 Spalten zu treten und nur 2 Spalten nehmen.

Oder schauen Sie sich die volle Wörterbuch für die 4-Säule und 2 Spalte Fälle

In [409]: x.view(('i',4)).__array_interface__ 
Out[409]: 
{'data': (160925352, False), 
'descr': [('', '<i4')], 
'shape': (12, 4), 
'strides': None, 
'typestr': '<i4', 
'version': 3} 
In [410]: y2.view(('i',2)).__array_interface__ 
Out[410]: 
{'data': (160925352, False), 
'descr': [('', '<i4')], 
'shape': (12, 2), 
'strides': (16, 4), 
'typestr': '<i4', 
'version': 3} 

gleichen Schritten und dtype, nur andere Form. Der Fall y2 funktioniert, weil er auf die gewünschten Bytes mit Schreiten zugreifen und 2 Spalten ignorieren kann.

Wenn ich schneide aus zwei mittleren Spalten des 4-Säule Falles bekomme ich einen Blick - gleichen Datenpuffer, aber mit einem Offset:

In [385]: x.view(('i',4))[:,2:4].__array_interface__['data'] 
Out[385]: (160925360, False) 

aber getfield mit diesen zwei Feldern gibt die gleichen Fehler wie mit [ 'f1', 'f3']:

In [388]: y2=x.getfield(np.dtype({name: x.dtype.fields[name] for name in ['f2','f3']})).view(('i',2)) 
... 
ValueError: new type not compatible with array. 

view nicht, dass die Datenpuffer implementieren kann ausgeglichen, dass Dosen schneiden.

========

Blick wieder auf die 2 mittleren Felder:

In [412]: y2=x.getfield(np.dtype({name: x.dtype.fields[name] for name in ['f2','f3']})) 
    ...: 
In [413]: y2 
Out[413]: 
array([(2, -1000000000), (2, 400), (2, 804846), (2, 800), (5, 900), 
     (5, 1000), (5, 8900), (5, 11400), (3, 14500), (3, 40550), 
     (3, 40990), (3, 44400)], 
     dtype={'names':['f2','f3'], 'formats':['<i4','<i4'], 'offsets':[4,8], 'itemsize':12}) 
In [414]: y2.__array_interface__['data'] 
Out[414]: (160925352, False) 

y2 in der ursprünglichen Datenbank Start zeigt. Es erreicht den Offset mit den dtype Offsets. Vergleichen Sie das mit dem Offset in In[385].