是否有任何 C++（或 C）库具有类似 NumPy 的数组，支持切片、矢量化操作、逐个元素添加和减去内容等？
【问题讨论】：
标签： c++ arrays python-3.x numpy dynamic-arrays
Eigen 是一个很好的线性代数库。
http://eigen.tuxfamily.org/index.php?title=Main_Page
安装非常简单，因为它是一个只有头文件的库。它依赖于模板来生成优化好的代码。它自动向量化矩阵运算。
它还完全支持系数明智的操作，例如两个矩阵之间的“每元素乘法”。这是你需要的吗？
【讨论】：
Eigen 是一个用于线性代数（矩阵、向量...）的模板库。它只是标题并且可以免费使用 (LGPL)。
【讨论】：
GSL 很棒，它可以满足您的所有要求，甚至更多。不过它是在 GPL 下获得许可的。
【讨论】：
这里有几款可能适合您需求的免费软件。
GNU Scientific Library 是用 C 编写的 GPL 软件。因此，它具有类似 C 的分配和编程方式（指针等）。使用GSLwrap，您可以使用 C++ 编程方式，同时仍使用 GSL。 GSL 有一个BLAS 实现，但如果您想要更多性能，可以使用ATLAS 代替默认的 CBLAS。
boost/uBLAS 库是一个 BSL 库，用 C++ 编写并作为 boost 包分发。它是实现 BLAS 标准的 C++ 方式。 uBLAS自带了一些线性代数函数，还有一个experimental binding to ATLAS。
eigen 是一个用 C++ 编写的线性代数库，在 MPL2 许可证（从版本 3.1.1 开始）或 LGPL3/GPL2（旧版本）下分发。这是一种 C++ 编程方式，但比其他两种方式更集成（可用的算法和数据结构更多）。 Eigen claims to be faster 比上面的 BLAS 实现，而不遵循事实上的标准 BLAS API。 Eigen 似乎并没有在并行实现上投入太多精力。
Armadillo 是用于 C++ 的 LGPL3 库。它绑定了LAPACK（numpy 使用的库）。它使用递归模板和模板元编程，这是一个好点（我不知道其他库是否也在这样做？）。
xtensor 是一个获得 BSD 许可的 C++ 库。它提供了一个与 NumPy 非常相似的 C++ API。请参阅 https://xtensor.readthedocs.io/en/latest/numpy.html 以获取备忘单。
如果您只想获得数据结构和基本的线性代数，这些替代方案非常好。根据您对风格、许可证或系统管理员挑战的喜好（安装 LAPACK 等大型库可能很困难），您可以选择最适合您需求的库。
【讨论】：
a[:4,::-1,:,19] = b[None,-5:,None] 或a[a>5]=0 等类似的东西，并且有大量可用的数组和索引操作函数。我真的希望有一天有人为 C++ 做出类似的东西。
a.colRange(4,7).rowRange(4,8) for a[4:7,4,8]）和条件掩码（a.setTo(cv::Scalar(0), a>5) for a[a>5]=0）
Blitz++ 支持具有任意轴数的数组，而 Armadillo 最多只支持三个（向量、矩阵和立方体）。 Eigen 仅支持向量和矩阵（不支持立方体）。缺点是 Blitz++ 除了基本的入口运算和张量收缩之外没有线性代数函数。开发似乎在很长一段时间前已经放缓，但也许这只是因为库做了它该做的事情，不需要做太多的改变。
【讨论】：
VIGRA 包含一个很好的 N 维数组实现：
http://ukoethe.github.io/vigra/doc/vigra/Tutorial.html
我广泛使用它，发现它非常简单有效。它也只是标题，因此很容易集成到您的开发环境中。就其 API 而言，这是我遇到的最接近使用 NumPy 的东西。
主要的缺点是它没有像其他人那样广泛使用，因此您不会在网上找到太多帮助。那个，而且它的名字很尴尬（尝试搜索它！）
【讨论】：
虽然GLM 旨在轻松与 OpenGL 和 GLSL 相结合，但它是一个功能齐全的仅限头文件的 C++ 数学库，具有一组非常直观的接口。
它声明了向量和矩阵类型以及对它们的各种操作。
将两个矩阵相乘很简单，如 (M1 * M2)。减去两个向量 (V1- V2)。
访问向量或矩阵中的值同样简单。例如，在声明一个 vec3 向量之后，可以使用 vector.x 访问它的第一个元素。看看吧。
【讨论】：
DyND 被设计成一个类似 NumPy 的 C++ 库。诸如广播、算术运算符和切片之类的东西都可以正常工作。另一方面，它仍然是非常实验性的，许多功能还没有实现。
这是使用 DyND 数组在 C++ 中的 de Casteljau 算法的简单实现：
#include <iostream>
#include <dynd/array.hpp>
using namespace dynd;
nd::array decasteljau(nd::array a, double t){
size_t e = a.get_dim_size();
for(size_t i=0; i < e-1; i++){
a = (1.-t) * a(irange()<(e-i-1)) + t * a(0<irange());
}
return a;
}
int main(){
nd::array a = {1., 2., 2., -1.};
std::cout << decasteljau(a, .25) << std::endl;
}
不久前，我写了一封 blog post，其中包含更多示例以及 Fortran 90、C++ 中的 DyND 和 Python 中的 NumPy 的语法的并排比较。
免责声明：我是当前的 DyND 开发人员之一。
【讨论】：
试试xtensor。 （见NumPy to Xtensor Cheat Sheet）。
xtensor 是一个 C++ 库，用于使用多维数组表达式进行数值分析。
xtensor 提供
示例
初始化一个二维数组并计算其中一行与一维数组的总和。
#include <iostream>
#include "xtensor/xarray.hpp"
#include "xtensor/xio.hpp"
xt::xarray<double> arr1
{{1.0, 2.0, 3.0},
{2.0, 5.0, 7.0},
{2.0, 5.0, 7.0}};
xt::xarray<double> arr2
{5.0, 6.0, 7.0};
xt::xarray<double> res = xt::view(arr1, 1) + arr2;
std::cout << res;
输出
{7, 11, 14}
初始化一维数组并就地重塑它。
#include <iostream>
#include "xtensor/xarray.hpp"
#include "xtensor/xio.hpp"
xt::xarray<int> arr
{1, 2, 3, 4, 5, 6, 7, 8, 9};
arr.reshape({3, 3});
std::cout << arr;
输出
{{1, 2, 3},
{4, 5, 6},
{7, 8, 9}}
【讨论】：
使用 LibTorch（C++ 的 PyTorch 前端）并开心。
【讨论】：
a.index({Slice(None, 4), Slice(None, None, -1), Slice(), 19}) = b.index({None, Slice(-5, None), None}) 文档：pytorch.org/cppdocs/notes/tensor_indexing.html
如果您想使用多维数组（如 numpy）进行图像处理或神经网络，您可以使用 OpenCV cv::Mat 以及大量的图像处理算法。如果您只想将其仅用于矩阵运算，则只需编译相应的 opencv 模块以减小大小并拥有很小的 OpenCV 库。
cv::Mat(Matrix) 是一个 n 维数组，可用于存储各种类型的数据，例如 RGB、HSV 或灰度图像、具有实数或复数值的向量、其他矩阵等。
一个 Mat 包含以下信息：width, height, type, channels, data, flags, datastart, dataend 等等。
它有几种矩阵操作方法。您可以在 CUDA 内核以及 cv::cuda::GpuMat 上创建奖励。
考虑我想创建一个 10 行 20 列的矩阵，输入 CV_32FC3：
int R = 10, C = 20;
Mat m1;
m1.create(R, C, CV_32FC3); //creates empty matrix
Mat m2(cv::Size(R, C), CV_32FC3); // creates a matrix with R rows, C columns with data type T where R and C are integers,
Mat m3(R, C, CV_32FC3); // same as m2
奖金：
编译 tiny and compact opencv 库仅用于矩阵运算。其中一种方法就像本文中提到的那样。
或
使用以下 cmake 命令编译 opencv 源代码：
$ git clone https://github.com/opencv/opencv.git
$ cd opencv
$ git checkout <version you want to checkout>
$ mkdir build
$ cd build
$ cmake -D WITH_CUDA=OFF -D WITH_MATLAB=OFF -D BUILD_ANDROID_EXAMPLES=OFF -D BUILD_DOCS=OFF -D BUILD_PERF_TESTS=OFF -D BUILD_TESTS=OFF -DANDROID_STL=c++_shared -DBUILD_SHARED_LIBS=ON -D BUILD_opencv_objdetect=OFF -D BUILD_opencv_video=OFF -D BUILD_opencv_videoio=OFF -D BUILD_opencv_features2d=OFF -D BUILD_opencv_flann=OFF -D BUILD_opencv_highgui=OFF -D BUILD_opencv_ml=OFF -D BUILD_opencv_photo=OFF -D BUILD_opencv_python=OFF -D BUILD_opencv_shape=OFF -D BUILD_opencv_stitching=OFF -D BUILD_opencv_superres=OFF -D BUILD_opencv_ts=OFF -D BUILD_opencv_videostab=OFF -D BUILD_opencv_dnn=OFF -D BUILD_opencv_imgproc=OFF ..
$ make -j $nproc
$ sudo make install
试试这个例子：
#include "opencv2/core.hpp"
#include<iostream>
int main()
{
std::cout << "OpenCV Version " << CV_VERSION << std::endl;
int R = 2, C = 4;
cv::Mat m1;
m1.create(R, C, CV_32FC1); //creates empty matrix
std::cout << "My Mat : \n" << m1 << std::endl;
}
使用以下命令编译代码：
$ g++ -std=c++11 opencv_mat.cc -o opencv_mat `pkg-config --libs opencv` `pkg-config --cflags opencv`
运行可执行文件：
$ ./opencv_mat
OpenCV Version 3.4.2
My Mat :
[0, 0, 0, 0;
0, 0, 0, 0]
【讨论】：
这是一个老问题。还是想回答。想法可能对很多人有帮助，尤其是 pydevs 用 C++ 编码。
如果您已经使用过 python numpy，那么NumCpp 是一个不错的选择。它在语法上是极简的，并且具有与 py numpy 相似的功能或方法。
readme 文档中的comparison 部分也非常非常酷。
NumCpp
nc::NdArray<int> arr = {{4, 2}, {9, 4}, {5, 6}};
arr.reshape(5, 3);
arr.astype<double>();
【讨论】：
xtensor 很好，但我最终自己用 c++20 编写了一个迷你库作为玩具项目，同时试图保持界面尽可能简单。这里是：https://github.com/gbalduzz/NDArray
示例代码：
using namespace nd;
NDArray<int, 2> m(3, 3); // 3x3 matrix
m = 2; // assign 2 to all
m(-1, all) = 1; // assign 1 to the last row.
auto tile = m(range{1, end}, range{1, end}); // 2x2 tile
std::sort(tile.begin(), tile.end());
std::cout << m; // prints [[2, 2, 2], [2, 1, 1], [1, 2, 2]]
它还没有提供将多个运算折叠在一起的花哨算术运算符，但是您可以将任意 lambdas 广播到一组具有相同形状的张量，或者使用惰性求值的算术运算符。
让我知道您对该界面的看法以及它与其他选项的比较，如果这有任何希望，您希望看到什么样的操作实现。
免费许可，无依赖！
附录：我设法正确编译和运行 xtensor，结果是我的库在迭代视图时明显更快（2 到 3X）
【讨论】：