NumPy ndarrary.view（…）在内部是如何工作的

我使用以下代码创建了一个视图，但我想了解这个视图在引擎盖下是如何工作的

>>> x = np.array([(1, 2)], dtype=np.int8)
>>> y = x.view(dtype=np.int16)

---

在哪里可以找到

ndarray.view（…）

，我搜索了GitHub代码库，但找不到它

您最感兴趣的是什么-编码机制，或者

int8

值如何表示为

int16

视图

创建一个新数组，具有自己的形状和数据类型，但与源共享数据缓冲区。您将看到的大多数代码都与创建新数组有关，而与特定的数据类型几乎无关

实际上有两个版本的

int16

，大端和小端

In [194]: np.array([(1,2)],np.int8).view('<i2')                                 
Out[194]: array([[513]], dtype=int16)
In [195]: np.array([(1,2)],np.int8).view('>i2')                                 
Out[195]: array([[258]], dtype=int16)

---

我猜你不会在

numpy

C代码中看到这种详细程度。它是由C编译器执行的。

Hi@hpaulj，感谢您的回复，基本上我正在尝试理解numpy视图（…）背后的机制。正如阵列广播在幕后由多个迭代器支持一样，这个视图（…）也由一些迭代器或其他东西支持，我想看看一些源代码来理解它，或者一些博客/论坛讨论视图（…）的内部结构如何获得可以使数组具有原始数组中的备用元素的视图，例如：-array1=np.array（[1,2,3,4,5]）和array2=array1.view（），这提供了原始数组中的所有元素，但如何创建仅具有原始数组中的备用项的视图，如[1,3,5]，仅使用numpy视图（…）是否还有其他方法可以实现？

视图

方法并不是创建

视图

：）基本索引的唯一方法，即使用切片也可以创建视图：

arr[：：2]

。如其文档所示，视图方法有两个用途，即更改

dtype

和更改子类

type

。

In [197]: 2*256+1                                                               
Out[197]: 513
In [198]: 1*256+2                                                               
Out[198]: 258