不创建新数组的结构化数组的Numpy.trim_零

是否可以在不复制的情况下修剪结构化numpy数组的零“记录”；i、 e.在开始或结束时为“未使用的”零项释放分配的内存；实际上，我只对最后的零感兴趣

1d阵列有一个内置函数。其返回值：

返回：

修剪：1-D数组或序列

修剪输入的结果。将保留输入数据类型

但是，我不能从中判断这是否不创建副本，而只是释放内存。我不够熟练，无法从其源代码看出其行为

更具体地说，我有以下代码：

import numpy
edges = numpy.zeros(3, dtype=[('i', 'i4'), ('j', 'i4'), ('length', 'f4')])
# fill the first two records with sensible data:
edges[0]['i'] = 0
edges[0]['j'] = 1
edges[0]['length'] = 2.0
edges[1]['i'] = 1
edges[1]['j'] = 2
edges[1]['length'] = 2.0
# list memory adress and size
edges.__array_interface__
edges = numpy.trim_zeros(edges)  # does not work for structured array
edges.__array_interface__

更新

我的问题有点“双重性”：

1） 内置函数只是释放内存还是复制阵列

答：它复制并创建一个切片（=视图）<代码>[ipython控制台]导入numpy；numpy？？？（另请参见和）

2） 什么样的解决方案可以为结构化阵列提供类似的功能

答复:

---

嗯，有两个问题

• 首先，

  trim_zeros

  函数不能识别复合数据类型上的零

您可以通过

begin=（edges！=zero（1，edges.dtype））.argmax（）找到它们。

和

end=len（edges）-（edges！=zero（1，edges.dtype））[：：-1].argmax（）。然后，
goodedges=edges[begin:end]
是相互测试数据


其次，
trim_zeros
功能不会释放内存：

返回-------
修剪：1-D数组或序列。
修剪输入的结果。将保留输入数据类型

所以我认为您必须手动执行：
goodedges=edges[begin:end].copy（）；删除边
 IMHO，有两个问题


首先，
trim_zeros
函数不能识别复合数据类型上的零

您可以通过
begin=（edges！=zero（1，edges.dtype））.argmax（）找到它们。
和
end=len（edges）-（edges！=zero（1，edges.dtype））[：：-1].argmax（）。然后，
goodedges=edges[begin:end]
是相互测试数据


其次，
trim_zeros
功能不会释放内存：

返回-------
修剪：1-D数组或序列。
修剪输入的结果。将保留输入数据类型

所以我认为您必须手动执行：
goodedges=edges[begin:end].copy（）；删除边
 要扩展我的评论，让我们在一个简单的整数数组上尝试
trim_zero
：

In [252]: arr = np.zeros(10,int)
In [253]: arr[3:8]=np.ones(5)
In [254]: arr
Out[254]: array([0, 0, 0, 1, 1, 1, 1, 1, 0, 0])
In [255]: arr1=np.trim_zeros(arr)
In [256]: arr1
Out[256]: array([1, 1, 1, 1, 1])

现在比较
\uuuu数组\u接口\uuuuu
字典：

In [257]: arr.__array_interface__
Out[257]: 
{'descr': [('', '<i4')],
 'shape': (10,),
 'version': 3,
 'strides': None,
 'data': (150760432, False),
 'typestr': '<i4'}

In [258]: arr1.__array_interface__
Out[258]: 
{'descr': [('', '<i4')],
 'shape': (5,),
 'version': 3,
 'strides': None,
 'data': (150760444, False),
 'typestr': '<i4'}

工作在最后一行，并明确返回一个切片，一个视图。大多数代码处理两个修剪选项（F和B）。请注意，它使用迭代查找
第一个
和
最后一个
非零。对于在开始或结束时只有几个额外0的阵列来说，这应该很好。但这并不是问题经常寻求的“矢量化”操作

在提出这个问题之前，我甚至不知道有
trim_zero
存在，但我对它的代码和行为一点也不感到惊讶

在一个次要问题上，这里有一种更简洁的方法来创建
边
数组

In [259]: edges =np.zeros(3, dtype=[('i', 'i4'), ('j', 'i4'), ('length', 'f4')])
In [260]: edges[:2]=[(0,1,2.0),(1,2,2.0)]

要删除所有
zero
元素，只需使用：

edges[edges!=numpy.zeros(1,edges.dtype)]

这是一本。它也会删除“嵌入的”零，但如果在填充之前的插槽后，只剩下最后的零，那么这可能不是问题

如果在列表中收集
边
数据，并在末尾构建数组，则可能根本不需要此修剪：

edges1 = np.array([(0,1,2.0),(1,2,2.0)], dtype=edges.dtype)

为了扩展我的评论，让我们在一个简单的整数数组上尝试
trim_zero
：

In [252]: arr = np.zeros(10,int)
In [253]: arr[3:8]=np.ones(5)
In [254]: arr
Out[254]: array([0, 0, 0, 1, 1, 1, 1, 1, 0, 0])
In [255]: arr1=np.trim_zeros(arr)
In [256]: arr1
Out[256]: array([1, 1, 1, 1, 1])

现在比较
\uuuu数组\u接口\uuuuu
字典：

In [257]: arr.__array_interface__
Out[257]: 
{'descr': [('', '<i4')],
 'shape': (10,),
 'version': 3,
 'strides': None,
 'data': (150760432, False),
 'typestr': '<i4'}

In [258]: arr1.__array_interface__
Out[258]: 
{'descr': [('', '<i4')],
 'shape': (5,),
 'version': 3,
 'strides': None,
 'data': (150760444, False),
 'typestr': '<i4'}

工作在最后一行，并明确返回一个切片，一个视图。大多数代码处理两个修剪选项（F和B）。请注意，它使用迭代查找
第一个
和
最后一个
非零。对于在开始或结束时只有几个额外0的阵列来说，这应该很好。但这并不是问题经常寻求的“矢量化”操作

在提出这个问题之前，我甚至不知道有
trim_zero
存在，但我对它的代码和行为一点也不感到惊讶

在一个次要问题上，这里有一种更简洁的方法来创建
边
数组

In [259]: edges =np.zeros(3, dtype=[('i', 'i4'), ('j', 'i4'), ('length', 'f4')])
In [260]: edges[:2]=[(0,1,2.0),(1,2,2.0)]

要删除所有
zero
元素，只需使用：

edges[edges!=numpy.zeros(1,edges.dtype)]

这是一本。它也会删除“嵌入的”零，但如果在填充之前的插槽后，只剩下最后的零，那么这可能不是问题

如果在列表中收集
边
数据，并在末尾构建数组，则可能根本不需要此修剪：

edges1 = np.array([(0,1,2.0),(1,2,2.0)], dtype=edges.dtype)

此函数对常规1d阵列有何作用？它复制了吗？返回视图？尝试两种
fb
。我无法想象它会改变缓冲区的大小。你能读懂它的代码吗？这个函数对常规1d数组有什么作用？它复制了吗？返回视图？尝试两种
fb
。我无法想象它会改变缓冲区的大小。你能读懂它的代码吗？谢谢你的回答。你的第一颗子弹，解决了我问题的一部分。然而，第二个问题实际上是我想要避免的：复制和释放。你认为
numpy.resize（）
有什么帮助吗？没有，
resize
复制。IMHO，你唯一的机会就是按块收集数据，只存储有效的数据。谢谢你的回答。你的第一颗子弹，解决了我问题的一部分。然而，第二个问题实际上是我想要避免的：复制和释放。你认为
numpy.resize（）
有什么帮助吗？没有，
resize
复制。IMHO，你唯一的机会就是按块收集数据，只存储有效的数据。@hapulj:谢谢你的回答。我不知道
？
。非常有用。在t