使用ndim对ndarray进行Python numpy测试

我在用Python做一个项目，需要大量的数值数组计算。不幸的是（或者幸运的是，取决于您的POV），我对Python非常陌生，但多年来一直在做MATLAB和Octave编程（之前的APL）。我非常习惯将每个变量自动键入矩阵浮点，并且仍然习惯于检查输入类型

在我的许多函数中，我要求输入S是大小为

（n，p）

的

numpy.ndarray

，因此我必须同时测试类型是

numpy.ndarray

，并获得值

（n，p）=numpy.shape

。一个潜在的问题是输入可能是列表/元组/int/等，另一个问题是输入可能是形状数组

（）

：

S.ndim=0

。我突然想到，我可以同时测试变量类型，修复

S.ndim=0

问题，然后获得如下维度：

# first simultaneously test for ndarray and get proper dimensions
try:
    if (S.ndim == 0):
        S = S.copy(); S.shape = (1,1);
    # define dimensions p, and p2
    (p,p2) = numpy.shape(S);
except AttributeError:  # got here because input is not something array-like
    raise AttributeError("blah blah blah");

虽然它有效，但我想知道这是否是一个有效的做法？ndim的文档字符串说

如果它还不是ndarray，则需要进行转换 尝试

我们当然知道numpy可以很容易地将int/tuple/list转换为数组，所以我不明白为什么要为这些类型的输入引发AttributeError，而numpy应该这样做

numpy.array(S).ndim;

---

这应该可以用。

在对NumPy代码进行输入验证时，我总是使用

np.asarray

：

>>> np.asarray(np.array([1,2,3]))
array([1, 2, 3])
>>> np.asarray([1,2,3])
array([1, 2, 3])
>>> np.asarray((1,2,3))
array([1, 2, 3])
>>> np.asarray(1)
array(1)
>>> np.asarray(1).shape
()

这个函数有一个很好的特性，它只在必要时复制数据；如果输入已经是一个

ndarray

，则数据将保留在原位（只有类型可以更改，因为它还可以删除讨厌的

np.matrix

）

ndim的文档字符串说

这是函数

np.ndim

的docstring，而不是

ndim

属性，这是非NumPy对象没有的。您可以使用该函数，但其效果是数据可能会被复制两次，因此请改为：

S = np.asarray(S)
(p, p2) = S.shape

如果

S.ndim！=2

---

[最后一点注意：只要遵循缩进规则，就不需要Python中的

；

。事实上，Python程序员避免使用分号。]

给出@larsmans答案的注释，您可以尝试：

if not isinstance(S, np.ndarray):
    raise TypeError("Input not a ndarray")
if S.ndim == 0:
    S = np.reshape(S, (1,1))
(p, p2) = S.shape

首先，明确检查

S

是否是

ndarray

的（子类）。然后，如果需要，您可以使用

np.reformate

来复制您的数据（当然也可以对其进行整形）。最后，你得到了尺寸

请注意，在大多数情况下，

np

函数将首先尝试访问

ndarray

的相应方法，然后尝试将输入转换为

ndarray

（有时将其保留为子类，如

np.asanyarray

，有时则不是（如

np.asarray（…）

）换句话说，使用方法比使用函数总是更有效：这就是为什么我们使用

s.shape

，而不是

np.shape

---

另一点：

np.asarray

，

np.asanyarray

，

np.atleast\u 1D

…都是更通用的函数

np.array

的特殊情况。例如，

asarray

将

array

的可选

copy

参数设置为

False

，

asanyarray

也会这样做，并且ets

subok=True

，

atleast_1D

sets

ndmin=1

，

atleast_2d

sets

ndmin=2

…换句话说，使用带有适当参数的

np.array

总是比较容易的。但正如一些评论中提到的，这是一个风格问题。快捷方式通常可以提高可读性，这始终是一个问题目标要牢记在心

在任何情况下，当您使用

np.array（…，copy=True）

时，您明确地要求获得初始数据的副本，有点像执行

列表（[…]）

。即使没有其他更改，您的数据也会被复制。这有其缺点的优点（如我们在法语中所说）例如，您可以将

顺序

从行首

C

更改为列首

F

。但无论如何，您都可以得到所需的副本

使用

np.array（input，copy=False）

时，始终会创建一个新数组。它将指向与

input

相同的内存块（如果后者已经是

ndarray

（即没有内存浪费），或者将“从头开始”创建一个新数组如果

input

不是。有趣的例子当然是如果

input

是

ndarray

在函数中使用此新数组可能会更改原始输入，也可能不会更改原始输入，具体取决于函数。您必须检查要使用的函数的文档，以查看它是否返回副本。NumPy开发人员努力限制不必要的副本（以下是Python示例），但有时无法避免。文档应明确说明发生了什么，如果没有或不清楚，请提及

---

np.array（…）

如果出现问题，可能会引发一些异常。例如，尝试将

dtype=float

与类似

[“STRING”，1]的输入一起使用

将引发一个

ValueError

。但是，我必须承认，我不记得在所有情况下都有哪些异常，请相应地编辑这篇文章。

欢迎使用堆栈溢出。这几乎可以归结为一种样式选择，但我见过的处理这种情况的最常见方法是将输入转换为数组。Numpy provid我们已经提到了一些有用的工具。

numpy.asarray

，但这里还有一些。

numpy.asarray至少1d

类似于

asarray

，但将（）数组重塑为（1，）

numpy。至少2d

与上面相同，但将0d和1d数组重塑为2d，即（3，）到（1，3）。我们转换的原因是什么“类似于数组”的数组输入部分是因为我们很懒，例如，有时很容易

>>> numpy.mean([1., 2., 3.])
>>> 2.0

Parameters
----------
a : array_like
    Array containing numbers whose mean is desired. If `a` is not an
    array, a conversion is attempted.