Standard array subclasses

Special attributes and methods

NumPy提供了几个类可以自定义的钩子：

class.__numpy_ufunc__(ufunc, method, i, inputs, **kwargs)

版本1.11中的新功能。

任何类（ndarray子类或不）可以定义此方法来覆盖NumPy的ufuncs的行为。这与Python的__mul__和其他二进制操作例程非常相似。

• ufunc是被调用的ufunc对象。
• method is a string indicating which Ufunc method was called (one of "__call__", "reduce", "reduceat", "accumulate", "outer", "inner").
• i是输入中self的索引。
• 输入是ufunc的输入参数的元组，
• kwargs是包含ufunc的可选输入参数的字典。如果给定，out参数始终包含在kwargs中。有关详细信息，请参阅Universal functions (ufunc)中的讨论。

如果未执行所请求的操作，则该方法应返回操作结果，或NotImplemented。

If one of the arguments has a __numpy_ufunc__ method, it is executed instead of the ufunc. 如果多个输入参数实现了__numpy_ufunc__，则会按照以下顺序尝试：子类之前的父类，否则从左到右。返回NotImplemented以外的第一个例程确定结果。如果所有__numpy_ufunc__操作返回NotImplemented，则会引发TypeError。

如果ndarray子类定义__numpy_ufunc__方法，则禁用__array_wrap__，__array_prepare__，__array_priority__

注意

除了ufuncs，__numpy_ufunc__也会覆盖numpy.dot的行为，即使它不是Ufunc。

注意

如果你还定义了类中的右边二元操作符覆盖方法（例如__rmul__）或比较操作（例如__gt__），它们优先于__numpy_ufunc__机制在解析二进制运算结果（例如ndarray_obj * your_obj

技术特殊情况是：ndarray.__mul__如果另一个对象是而不是 ndarray的子类，则返回NotImplemented并定义__numpy_ufunc__和__rmul__。类似的例外适用于除乘法之外的其他操作。

In such a case, when computing a binary operation such as ndarray_obj * your_obj, your __numpy_ufunc__ method will not be called. 相反，执行会按照标准的Python操作符覆盖规则传递到右侧的__rmul__操作。

类似的特殊情况适用于就地操作：如果您定义__rmul__，则ndarray_obj * = your_obj 不会呼叫您的__numpy_ufunc__实作。而是默认的Python行为ndarray_obj = ndarray_obj * your_obj 。

注意上面的讨论仅适用于Python的内建二进制操作机制。np.multiply（ndarray_obj， your_obj）总是只按照预期调用您的__numpy_ufunc__。

class.__array_finalize__(obj)

每当系统在内部从obj分配一个新的数组，其中obj是ndarray的子类它可以用于在构造之后改变self的属性（以便例如确保2-d矩阵），或者更新来自“父”的元信息。子类继承默认实现这个方法什么也不做。

class.__array_prepare__(array, context=None)

在每个ufunc开始时，对具有最高数组优先级的输入对象或输出对象（如果指定了一个）调用此方法。输出数组被传入，并且返回的任何内容都传递给ufunc。子类继承此方法的默认实现，它只返回未修改的数组。子类可以选择使用此方法将输出数组转换为子类的实例，并在将数组返回到ufunc之前更新元数据以进行计算。

class.__array_wrap__(array, context=None)

在每个ufunc结束时，对具有最高数组优先级的输入对象或输出对象（如果指定了一个）调用此方法。ufunc计算的数组被传入，并且返回的任何内容都传递给用户。子类继承此方法的默认实现，它将数组转换为对象类的新实例。子类可以选择使用此方法将输出数组转换为子类的实例，并在将数组返回给用户之前更新元数据。

class.__array_priority__

此属性的值用于确定在返回对象的Python类型有多种可能性的情况下要返回的对象类型。子类继承此属性的默认值0.0。

class.__array__([dtype])

如果将具有__array__方法的类（ndarray子类）用作ufunc的输出对象，则结果将写入由__array__。类似的转换是对输入数组进行的。

Matrix objects

matrix对象继承自ndarray，因此，它们具有与ndarrays相同的属性和方法。但是，矩阵对象有六个重要的区别，当你使用矩阵时，可能会导致意想不到的结果，但是希望它们像数组一样工作：

1. Matrix对象可以使用字符串符号创建，以允许使用Matlab风格的语法，其中空格分隔列和分号（'；'）分隔行。

2. 矩阵对象总是二维的。这具有深远的影响，因为m.ravel()仍然是二维的（在第一维中具有1），并且项选择返回二维对象，使得序列行为从根本上不同于数组。

3. 矩阵对象覆盖乘法为矩阵乘法。确保你理解这个你可能想要接收矩阵的函数。特别是考虑到当m是矩阵时asanyarray（m）返回矩阵的事实。

4. 矩阵对象覆盖功率以将矩阵提升到功率。关于在使用asanyarray（...）获取数组对象的函数内部使用权力的相同警告对于这个事实保持。

5. 矩阵对象的默认__array_priority__是10.0，因此与ndarrays的混合运算总是产生矩阵。

6. 矩阵具有使计算更容易的特殊属性。这些是

   matrix.T	返回矩阵的转置。
   matrix.H	返回self的（复数）共轭转置。
   matrix.I	返回可逆self的（乘法）逆。
   matrix.A	将self作为ndarray对象返回。

矩阵类是ndarray的Python子类，可以用作如何构建自己的ndarray子类的参考。矩阵可以从其他矩阵，字符串和任何可以转换为ndarray的其他内容创建。名称“mat”是NumPy中“matrix”的别名。

示例1：从字符串创建矩阵

>>> a=mat('1 2 3; 4 5 3')
>>> print (a*a.T).I
[[ 0.2924 -0.1345]
 [-0.1345  0.0819]]

示例2：从嵌套序列创建矩阵

>>> mat([[1,5,10],[1.0,3,4j]])
matrix([[  1.+0.j,   5.+0.j,  10.+0.j],
        [  1.+0.j,   3.+0.j,   0.+4.j]])

示例3：从数组创建矩阵

>>> mat(random.rand(3,3)).T
matrix([[ 0.7699,  0.7922,  0.3294],
        [ 0.2792,  0.0101,  0.9219],
        [ 0.3398,  0.7571,  0.8197]])

Memory-mapped file arrays

内存映射文件对于以常规布局读取和/或修改大文件的小段很有用，无需将整个文件读入内存。ndarray的一个简单子类使用一个内存映射文件作为数组的数据缓冲区。对于小文件，将整个文件读入内存的开销通常不重要，但对于使用内存映射的大文件，可以节省大量资源。

内存映射文件数组有一个额外的方法（除了它们从ndarray继承）：.flush()它必须由用户手动调用，以确保对数组的任何更改实际写入到磁盘。

例：

>>> a = memmap('newfile.dat', dtype=float, mode='w+', shape=1000)
>>> a[10] = 10.0
>>> a[30] = 30.0
>>> del a
>>> b = fromfile('newfile.dat', dtype=float)
>>> print b[10], b[30]
10.0 30.0
>>> a = memmap('newfile.dat', dtype=float)
>>> print a[10], a[30]
10.0 30.0

Character arrays (numpy.char)

这些是string_类型或unicode_类型的增强数组。这些数组继承自ndarray，但特别定义了a()的+，*和%广播）。这些操作不适用于字符类型的标准ndarray。此外，chararray具有所有标准的string（和unicode）方法，在逐个元素的基础上执行它们。也许最简单的创建chararray的方法是使用self.view(chararray)其中self是str或unicode数据类型的ndarray。但是，也可以使用numpy.chararray构造函数或通过numpy.char.array函数创建chararray：

与str数据类型的标准ndarray的另一个区别是，chararray继承了Numarray引入的特性，即数组中任何元素末尾的白色空间将在项检索和比较操作中被忽略。

Record arrays (numpy.rec)

NumPy提供了允许访问作为属性的结构化数组的字段和对应的标量数据类型对象record的recarray类。

Masked arrays (numpy.ma)

Standard container class

为了向后兼容和作为标准的“容器”类，Numeric中的UserArray已经转换到NumPy并命名为numpy.lib.user_array.container容器类是一个Python类，其self.array属性是一个ndarray。使用numpy.lib.user_array.container比使用ndarray本身更容易多重继承，因此它默认包含在内。这里没有提到它的存在，因为你被鼓励直接使用ndarray类，如果你可以。

Array Iterators

迭代器是数组处理的强大概念。基本上，迭代器实现广义for循环。如果myiter是一个迭代器对象，那么Python代码：

for val in myiter:
    ...
    some code involving val
    ...

重复调用val = myiter.next()，直到StopIteration迭代器。有几种方法可以在数组上进行迭代，这可能是有用的：默认迭代，平面迭代和 - 维度枚举。

for i in range(arr.shape[0]):
    val = arr[i]

>>> a = arange(24).reshape(3,2,4)+10
>>> for val in a:
...     print 'item:', val
item: [[10 11 12 13]
 [14 15 16 17]]
item: [[18 19 20 21]
 [22 23 24 25]]
item: [[26 27 28 29]
 [30 31 32 33]]

>>> for i, val in enumerate(a.flat):
...     if i%5 == 0: print i, val
0 10
5 15
10 20
15 25
20 30

>>> for i, val in ndenumerate(a):
...     if sum(i)%5 == 0: print i, val
(0, 0, 0) 10
(1, 1, 3) 25
(2, 0, 3) 29
(2, 1, 2) 32

>>> for val in broadcast([[1,0],[2,3]],[0,1]):
...     print val
(1, 0)
(0, 1)
(2, 0)
(3, 1)