Python 子类化和扩展numpy.ndarray

我需要一些基本的数据类表示，我想使用现有的numpy类，因为它们已经提供了很好的功能

然而，我不确定这是否是一种方法（尽管到目前为止它是有效的）。下面是一个例子：

Position

类应该像一个简单的

numpy.array

，但它应该将属性

.x

、

.y

和

.z

映射到三个数组组件。我重写了

\uu new\uu

方法，该方法返回带有初始数组的

ndarray

。为了允许访问和修改数组，我为每个数组定义了属性和setter

import numpy as np


class Position(np.ndarray):
    """Represents a point in a 3D space

    Adds setters and getters for x, y and z to the ndarray.

    """
    def __new__(cls, input_array=(np.nan, np.nan, np.nan)):
        obj = np.asarray(input_array).view(cls)
        return obj

    @property
    def x(self):
        return self[0]

    @x.setter
    def x(self, value):
        self[0] = value

    @property
    def y(self):
        return self[1]

    @y.setter
    def y(self, value):
        self[1] = value

    @property
    def z(self):
        return self[2]

    @z.setter
    def z(self, value):
        self[2] = value

---

然而，对于这样一个基本逻辑来说，这似乎有点太多的代码了，我想知道我是否用了“正确”的方法。我还需要一堆其他类，比如

Direction

，这些类将具有许多其他功能（改变时自动规范等），在我开始集成numpy之前，我想问你…

我认为ndarray在这里是错误的选择，你可能想要一个简单的命名元组

>>> import collections
>>> Position = collections.namedtuple('Positions', 'x y z')
>>> p = Position(1, 2, 3)
>>> p
Positions(x=1, y=2, z=3)

你可以像这样打开包装

>>> x, y, z = p
>>> x, y, z
(1, 2, 3)
>>>

---

到目前为止，您所拥有的看起来非常像pandas.dataframe（我自己并没有使用过它们…）。否则它看起来很标准。对你来说，哪一个更重要，代表一个点，还是用数千个点来做数学？我开始使用

（N，3）

数组（或

（3，N）

），并编写一些函数来访问选定的列。对我来说，最重要的是如何正确扩展

数组，正如标题所说。
Position
只是一个很小的例子。我非常想要
ndarray
功能，比如点积、矩阵运算和所有其他numpy额外功能。扩展
namedtuple
以支持它们需要做更多的工作。这取决于您的情况，但命名元组是专门为类似于您上面概述的示例的情况而设计的。我不认为numpy的视图功能对三项数组有什么用处。您可以使用带有map/reduce/comprehension的普通python来处理产品，例如
Position（*map（lambda x:x*3，p））
。更多例子请参见。在我的分析中，我得到了数十万个位置、方向等，以及许多计算和矩阵变换。大多数算法都需要numpy数组，这就是为什么在我的例子中它必须是类似numpy的。谢谢你的回答，但这并不能解决我的特殊问题。@septi:数十万个3元素numpy数组是缓慢的秘诀。如果您关心性能，则需要将数据重新组织为几个大的numpy数组，理想情况下，将计算表示为在整个大数组上完成。否则，您的代码实际上会比使用Python列表（或namedtuples）慢。当然，在某个时候可能会有一个优化过程，但目前我尝试使用“已经存在”的任何东西，大部分内容都是阵列上的linalg操作。顺便说一句，3D位置只是一个例子。不过，谢谢你。