重复 numpy 值并指定 dtype答案

【问题标题】：Repeating numpy values and specifying dtype重复 numpy 值并指定 dtype
【发布时间】：2013-11-06 12:57:45
【问题描述】：

我想生成一个 numpy 形式的数组：

0.5*[[0, 0], [1, 1], [2, 2], ...]

我希望最终数组具有 dtype 或 numpy.float32。

这是我的尝试：

>>> import numpy as np
>>> N = 5
>>> x = np.array(np.repeat(0.5*np.arange(N), 2), np.float32)
>>> x
array([ 0. ,  0. ,  0.5,  0.5,  1. ,  1. ,  1.5,  1.5,  2. ,  2. ], dtype=float32)

这是个好方法吗？我可以避免复制（如果确实是复制的话）只是为了类型转换吗？

【问题讨论】：

标签： python arrays numpy

【解决方案1】：

你只需要重塑你的最终结果来获得你想要的：

x = x.reshape(-1, 2)

您也可以运行arange 传递dtype：

x = np.repeat(0.5*np.arange(N, dtype=np.float32), 2).reshape(-1, 2)

您可以使用astype 方法轻松地将数组转换为另一种类型，该方法接受参数copy：

x.astype(np.int8, copy=False)

但是，as explained in the documentation、numpy 会检查一些要求以返回视图。如果不满足这些要求，则会返回一份副本。

您可以通过检查OWNDATA 属性来检查给定数组是副本还是来自另一个数组的视图，该属性可通过ndarray 的flags 属性访问。

编辑：更多关于检查给定数组是否是副本...

Is there a way to check if numpy arrays share the same data?

【讨论】：

检查查看/复制：stackoverflow.com/questions/11286864/…
您也可以将0.5*np.arange(N, dtype=np.float32) 更改为np.arange(0, 0.5*N, 0.5, dtype=np.float32) 以避免临时数组。
使用非精确数据类型的 arange 通常不好（它只是容易出现浮点不准确）。之后乘以 0.5 可能更好。无论如何，这种事情与速度相关的情况可能很少。
@seberg：这通常是个好建议。在大多数情况下，我正是出于这个原因使用np.linspace。然而，在这种情况下，N 是一个整数，所以0.5*N 是精确的（除非N 很大），而arange 很好。（我也同意避免临时性是一种微优化，并不是太重要。）

【解决方案2】：

另一种选择：

 np.array([0.5*np.arange(N, dtype=np.float32)]*2)

给予：

array([[ 0. ,  0.5,  1. ,  1.5,  2. ],
       [ 0. ,  0.5,  1. ,  1.5,  2. ]], dtype=float32)

您可能想要旋转它：

np.rot90(np.array([0.5*np.arange(N, dtype=np.float32)]*2),3)

给予：

array([[ 0. ,  0. ],
       [ 0.5,  0.5],
       [ 1. ,  1. ],
       [ 1.5,  1.5],
       [ 2. ,  2. ]], dtype=float32)

注意，这比@Saullo_Castro 的回答慢：

np.rot90(np.array([0.5*np.arange(N, dtype=np.float32)]*2),3)

10000 loops, best of 3: 24.3us per loop

np.repeat(0.5*np.arange(N, dtype=np.float32), 2).reshape(-1, 2)

10000 loops, best of 3: 9.23 us per loop

np.array(np.repeat(0.5*np.arange(N), 2), np.float32).reshape(-1, 2)

10000 loops, best of 3: 10.4 us per loop

（在 ipython 上使用 %%timeit）

【讨论】：