A.1 ndarray对象的内部机理

NumPy的ndarray提供了一种将同质数据块（可以是连续或跨越）解释为多维数组对象的方式。正如你之前所看到的那样，数据类型（dtype）决定了数据的解释方式，比如浮点数、整数、布尔值等。

ndarray如此强大的部分原因是所有数组对象都是数据块的一个跨度视图（strided view）。你可能想知道数组视图arr[::2,::-1]不复制任何数据的原因是什么。简单地说，ndarray不只是一块内存和一个dtype，它还有跨度信息，这使得数组能以各种步幅（step size）在内存中移动。更准确地讲，ndarray内部由以下内容组成：

  • 一个指向数据（内存或内存映射文件中的一块数据）的指针。
  • 数据类型或dtype，描述在数组中的固定大小值的格子。
  • 一个表示数组形状（shape）的元组。
  • 一个跨度元组（stride），其中的整数指的是为了前进到当前维度下一个元素需要“跨过”的字节数。

图A-1简单地说明了ndarray的内部结构。

图A-1 Numpy的ndarray对象

例如，一个10×5的数组，其形状为(10,5)：

  1. In [10]: np.ones((10, 5)).shape
  2. Out[10]: (10, 5)

一个典型的（C顺序，稍后将详细讲解）3×4×5的float64（8个字节）数组，其跨度为(160,40,8) —— 知道跨度是非常有用的，通常，跨度在一个轴上越大，沿这个轴进行计算的开销就越大：

  1. In [11]: np.ones((3, 4, 5), dtype=np.float64).strides
  2. Out[11]: (160, 40, 8)

虽然NumPy用户很少会对数组的跨度信息感兴趣，但它们却是构建非复制式数组视图的重要因素。跨度甚至可以是负数，这样会使数组在内存中后向移动，比如在切片obj[::-1]或obj[:,::-1]中就是这样的。

NumPy数据类型体系

你可能偶尔需要检查数组中所包含的是否是整数、浮点数、字符串或Python对象。因为浮点数的种类很多（从float16到float128），判断dtype是否属于某个大类的工作非常繁琐。幸运的是，dtype都有一个超类（比如np.integer和np.floating），它们可以跟np.issubdtype函数结合使用：

  1. In [12]: ints = np.ones(10, dtype=np.uint16)
  3. In [13]: floats = np.ones(10, dtype=np.float32)
  5. In [14]: np.issubdtype(ints.dtype, np.integer)
  6. Out[14]: True
  8. In [15]: np.issubdtype(floats.dtype, np.floating)
  9. Out[15]: True

调用dtype的mro方法即可查看其所有的父类：

  1. In [16]: np.float64.mro()
  2. Out[16]:
  3. [numpy.float64,
  4.  numpy.floating,
  5.  numpy.inexact,
  6.  numpy.number,
  7.  numpy.generic,
  8.  float,
  9.  object]

然后得到：

  1. In [17]: np.issubdtype(ints.dtype, np.number)
  2. Out[17]: True

大部分NumPy用户完全不需要了解这些知识，但是这些知识偶尔还是能派上用场的。图A-2说明了dtype体系以及父子类关系。

图A-2 NumPy的dtype体系