『Numpy』内存分析_高级切片和内存数据解析

在计算机中，没有任何数据类型是固定的，完全取决于如何看待这片数据的内存区域。

在numpy.ndarray.view中，提供对内存区域不同的切割方式，来完成数据类型的转换，而无须要对数据进行额外的copy，可以节约内存空间，我们可以将view看做对内存的展示方式。

如：

import numpy as np
x = np.arange(10, dtype=np.int)

print('An integer array:', x)
print ('An float array:', x.view(np.float))

An integer array: [0 1 2 3 4 5 6 7 8 9]

An float array: [  0.00000000e+000   4.94065646e-324
   9.88131292e-324   1.48219694e-323   1.97626258e-323
   2.47032823e-323   2.96439388e-323   3.45845952e-323
   3.95252517e-323   4.44659081e-323]

在实际使用中我们往往会采取更复杂的dtype（也就是说view可以与dtype搭配使用）输出内存中的值，后面我们会示范对于结构化数组的较为复杂的view使用。

一、view和copy

我们从numpy.reshape()函数入手，文档对于其返回值的解释：

Returns
    -------
    reshaped_array : ndarray
        This will be a new view object if possible; otherwise, it will
        be a copy.  Note there is no guarantee of the *memory layout* (C- or
        Fortran- contiguous) of the returned array.

其返回值可能是一个view，或是一个copy。相应的条件为：

　　1、返回一个view条件：数据区域连续的时候

　　2、反之，则返回一个copy

我们得到了一个新概念，数组内存区域是否连续，numpy数组有flags['C_CONTIGUOUS']表示是否连续，有np.may_share_memory方法判断两个数组内存区域是否一致：

a = np.zeros([2,10], dtype=np.int32)
b = a.T  # 转置破坏连续结构

a.flags['C_CONTIGUOUS']  # True
b.flags['C_CONTIGUOUS']  # False

np.may_share_memory(a,b)  # True
b.base is a  # True
id(b)==id(a)  # False

a.shape = 20  # a的shape变了
a.flags['C_CONTIGUOUS']  # True

# b.shape = 20
# AttributeError: incompatible shape for a non-contiguous array
# 想要使用指定shape的方式，只能是连续数组，但是reshape方法由于不改变原数组，所以reshape不受影响

数组切片是否会copy数据？

不过，数组的切片对象虽然并非contiguous，但是对它的reshape操作并不会copy新的对象，

a = np.arange(16).reshape(4,4)  

print(a.T.flags['C_CONTIGUOUS'],a[:,0].flags['C_CONTIGUOUS'])
# False False

print (np.may_share_memory(a,a.T.reshape(16)),
       np.may_share_memory(a,a[:,0].reshape(4)))
# False True

但是，下一小节会介绍，高级切片会copy数组，开辟新的内存。

二、numpy的结构数组

利用np.dtype可以构建结构数组，numpy.ndarray.base会返回内存主人的信息，文档如下，

Help on getset descriptor numpy.ndarray.base:

base
    Base object if memory is from some other object.
    
    Examples
    --------
    The base of an array that owns its memory is None:
    
    >>> x = np.array([1,2,3,4])
    >>> x.base is None
    True
    
    Slicing creates a view, whose memory is shared with x:
    
    >>> y = x[2:]
    >>> y.base is x
    True

1、建立结构数组

persontype = np.dtype({
    'names':['name','age','weight','height'],
    'formats':['S30','i','f','f']}, align=True)
a = np.array([('Zhang',32,72.5,167),
              ('Wang',24,65,170)],dtype=persontype)
a['age'].base

array([(b'Zhang', 32, 72.5, 167.),

(b'Wang', 24, 65. , 170.)],

dtype={'names':['name','age','weight','height'],

'formats':['S30','<i4','<f4','<f4'],

'offsets':[0,32,36,40],

'itemsize':44,

'aligned':True})

2、高级切片和普通切片的不同

In [26]: a.base
In [27]: a[0].base
In [28]: a[:1].base
Out[28]: array([123,   4,   5,   6,  78])
In [29]: a[[0,1]].base

In [30]: a.base is None
Out[30]: True
In [31]: a[0].base is None
Out[31]: True
In [32]: a[:1].base is None
Out[32]: False
In [33]: a[[0,1]].base is None
Out[33]: True

由上可见高级切片会开辟新的内存，复制被切出的数据，这是因为这种不规则的内存访问使用原来的内存结构效率很低(逻辑相邻元素内存不相邻，标准的访问由于固定了起始和步长相当于访问相邻元素，所以效率较高)，拷贝出来就是连续的内存数组了。

3、高级切片且不开辟新内存的方法

回到上上小节的结构数组，

print(a['age'].base is a)
print(a[['age', 'height']].base is None)

True

True

我们通过指定内存解析方式，实现不开辟新内存，将原内存解析为高级切片指定的结构数组，

def fields_view(arr, fields):
    dtype2 = np.dtype({name:arr.dtype.fields[name] for name in fields})
    # print(dtype2)
    # {'names':['age','weight'], 'formats':['<i4','<f4'], 'offsets':[32,36], 'itemsize':40}
    # print([(name,arr.dtype.fields[name]) for name in fields])
    # [('age', (dtype('int32'), 32)), ('weight', (dtype('float32'), 36))]
    # print(arr.strides)
    # (44,)
    return np.ndarray(arr.shape, dtype2, arr, 0, arr.strides)
'''
ndarray(shape, dtype=float, buffer=None, offset=0,
 |          strides=None, order=None)

参数 	类型 	作用
shape 	int型tuple 	多维数组的形状
dtype 	data-type 	数组中元素的类型
buffer 		用于初始化数组的buffer
offset 	int 	buffer中用于初始化数组的首个数据的偏移
strides 	int型tuple 	每个轴的下标增加1时，数据指针在内存中增加的字节数
order 	'C' 或者 'F' 	'C':行优先；'F':列优先
'''

v = fields_view(a, ['age', 'weight'])
print(v.base is a)

v['age'] += 10
print('+++'*10)
print(v)
print(v.dtype)
print(v.dtype.fields)
print('+++'*10)
print(a)
print(a.dtype)
print(a.dtype.fields)

True
++++++++++++++++++++++++++++++
[(42,  72.5) (34,  65. )]
{'names':['age','weight'], 'formats':['<i4','<f4'], 'offsets':[32,36], 'itemsize':40}
{'age': (dtype('int32'), 32), 'weight': (dtype('float32'), 36)}
++++++++++++++++++++++++++++++
[(b'Zhang', 42,  72.5,  167.) (b'Wang', 34,  65. ,  170.)]
{'names':['name','age','weight','height'], 'formats':['S30','<i4','<f4','<f4'], 'offsets':[0,32,36,40], 'itemsize':44, 'aligned':True}
{'name': (dtype('S30'), 0), 'age': (dtype('int32'), 32), 'weight': (dtype('float32'), 36), 'height': (dtype('float32'), 40)}

这里注意一下.dtype的’itemsize‘参数，表示添加一条（行）数据，内存增加了多少字节，由于保存了'offsets'偏移信息，我们生成的dtype展示的是一个稀疏的结构，但是每一行不会有多余的尾巴，这是因为空元素是由实元素记录偏移量的空隙产生的。

在『Numpy』内存分析_numpy.dtype解析内存数据中我们会更详细的介绍有关数组内存解析的方法。