我刚才注意到了:
import numpy as np
import sys
arr = np.broadcast_to(0, (10, 1000000000000))
print(arr.nbytes) # prints "80000000000000"
print(sys.getsizeof(arr)) # prints "120"
这是一个错误还是故意的行为?即,nbytes
是否表示持有"逻辑"的数量?字节,不包括0步?
虽然我没有看到文档,但nbytes
看起来确实像形状和itemsize
或arr.size*arr.itemsize
的乘积。
在所有的例子中,我看到nbytes
使用的是形状/大小数组,而不是base
。所以我不会过多解读"消费"在文档中使用
你的例子:
In [117]: arr = np.broadcast_to(0,(1,2,3))
In [119]: arr.shape, arr.strides, arr.nbytes
Out[119]: ((1, 2, 3), (0, 0, 0), 24)
In [120]: arr.base
Out[120]: array(0)
In [121]: arr.base.nbytes
Out[121]: 4
广播数组是一个小得多的view
;nbytes
反映的是自身的形状,而不是基座的形状。
再举一个例子,其中view
是基数的子集:
In [122]: np.arange(100).nbytes
Out[122]: 400
In [123]: np.arange(100)[::4].nbytes
Out[123]: 100
broadcast_to
的代码可在np.lib.stride_tricks._broadcast_to
查看。它使用np.nditer
来生成新的视图。
sys.getsizeof
为具有on数据的数组返回内存使用情况(即base
是None
)。它没有为view
提供任何有用的信息。
sliding_windows
另一个跨步技巧的例子,用来使"数组:
In [180]: arr = np.arange(16).reshape(4,4).copy()
In [181]: arr.shape, arr.strides, arr.nbytes
Out[181]: ((4, 4), (16, 4), 64)
In [182]: res = np.lib.stride_tricks.sliding_window_view(arr,(2,2))
In [183]: res.shape, res.strides, res.nbytes
Out[183]: ((3, 3, 2, 2), (16, 4, 16, 4), 144)
是原(4,4)arr
:
view
In [184]: res.base
Out[184]: <numpy.lib.stride_tricks.DummyArray at 0x1fa8e7cc730>
In [185]: res.base.base
Out[185]:
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[12, 13, 14, 15]])
In [186]: res.base.base is arr
Out[186]: True