Was bedeutet dtype=Objekt bedeuten, während Sie ein numpy-array?

Ich war das Experimentieren mit numpy-arrays und erzeugt ein numpy-array aus strings:

ar1 = np.array(['avinash', 'jay'])

Als ich gelesen habe, von Ihrer offiziellen guide, Operationen auf numpy-array weitergegeben werden zu den einzelnen Elementen. Also ich habe das:

ar1 * 2

Aber dann bekomme ich diesen Fehler:

TypeError                                 Traceback (most recent call last)
<ipython-input-22-aaac6331c572> in <module>()
----> 1 ar1 * 2

TypeError: unsupported operand type(s) for *: 'numpy.ndarray' and 'int'

Aber wenn ich dtype=object 

ar1 = np.array(['avinash', 'jay'], dtype=object)

beim erstellen des array-ich bin in der Lage, alle Vorgänge.

Kann mir jemand sagen, warum dies passiert ist?

InformationsquelleAutor Avinash Pandey | 2015-04-26
  1. 24

    NumPy-arrays sind, werden als zusammenhängende Blöcke des Speichers. Sie haben in der Regel einen einzigen Datentyp (z.B. Integer, floats oder Zeichenfolgen fester Länge) und dann die bits im Speicher interpretiert werden, wie Werte mit dem Datentyp.

    Erstellen ein array mit dtype=object ist anders. Die Erinnerung genommen, indem Sie das array nun gefüllt ist mit Zeiger, um Python-Objekte, die gespeichert werden anderswo im Speicher (ähnlich wie ein Python list ist wirklich nur eine Liste von Zeigern auf Objekte, nicht die Objekte selbst).

    Arithmetische Operatoren wie * funktioniert nicht mit arrays wie ar1 die eine string_ Datentyp (gibt es spezielle Funktionen statt - siehe unten). NumPy ist nur die Behandlung der bits im Speicher als Zeichen, und die * Betreiber hat keinen Sinn hier. Aber die Linie

    np.array(['avinash','jay'], dtype=object) * 2

    funktioniert denn jetzt das array ist ein array von (Zeigern auf) Python-strings. Die * Betreiber ist klar definiert und für diese Python string-Objekte. Neue Python-strings sind im Speicher erstellt und ein neues object array mit Referenzen auf die neuen strings zurückgegeben.

    Wenn Sie ein array mit string_ oder unicode_ "dtype" und wiederholen Sie jede Zeichenfolge, die Sie verwenden können np.char.multiply:

    In [52]: np.char.multiply(ar1, 2)
Out[52]: array(['avinashavinash', 'jayjay'], 
      dtype='<U14')

    NumPy hat viele andere vektorisiert von string-Methoden zu.

    • wissen Sie, ob es irgendwelche Effizienz zu sein hatte, wenn dabei eine operation auf ein object-array vs versuchen zu Durchlaufen, die eine python-Liste?
    InformationsquelleAutor Alex Riley
Schreibe einen Kommentar