为什么将大小为 1 的维度插入 numpy 数组会使其“连续”标志无效

Question

考虑这个数组：

In [1]: a = numpy.array([[1,2],[3,4]], dtype=numpy.uint8)
In [2]: a.strides
Out[2]: (2, 1)
In [3]: a.flat[:]
Out[3]: array([1, 2, 3, 4], dtype=uint8)
In [4]: a.flags['C_CONTIGUOUS']
Out[4]: True
In [5]: numpy.getbuffer(a)[:]
Out[5]: 'x01x02x03x04'

目前为止，一切都好。 但是，请注意，当我创建该数组的视图时会发生什么，其中插入大小为 1 的维度：

In [6]: b = a[:, numpy.newaxis, :] # Insert dimension
In [7]: b.strides
Out[7]: (2, 0, 1)
In [8]: b.flat[:]
Out[8]: array([1, 2, 3, 4], dtype=uint8)
In [9]: b.flags['C_CONTIGUOUS']
Out[9]: False
In [10]: numpy.getbuffer(b)[:]
---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
/.../<ipython-input-28-0127b71fae43> in <module>()
----> 1 numpy.getbuffer(b)[:]
TypeError: single-segment buffer object expected

什么给？ 为什么numpy认为b不C_CONTIGUOUS？ 肯定是吧？ 还是我错过了什么？

更新：@senderle指出numpy.reshape()按预期工作：

In [11]: b = numpy.reshape(a, (2,1,2))
In [12]: b.flags['C_CONTIGUOUS']
Out[12]: True

这很奇怪，我本来希望两种情况下的观点都是相同的。

Answer 1

这有点神秘，在看到hpaulj的评论之前，我什至深入研究了源代码。他观察到reshape和切片会产生不同的步幅newaxis显示了导致这种行为的原因 - 回答为什么问题。

但仍然存在一个问题，即是什么促使了这种行为——为什么问题。我没有任何确凿的证据证明这一点，但我的直觉是，numpy尽其所能快速确保切片是视图，而不是副本，在这种情况下，这需要打破 c 连续性。问题在于，可能很难确定如何将正确的步幅维度添加到具有奇怪步幅的数组中;在某些情况下甚至可能是不可能的。但是，您始终可以将步幅0的维度添加到任何数组。因此，numpy不是特殊的外壳，检查c连续性和其他可能的步幅安排，而是简单地增加了步幅0维度。

这种懒惰是有道理的，因为它更简单，并且（可能）因为它更快（尽管对 c 连续性的单次检查不会花费很多时间）。我认为简单解释在这里优先 - 在这种情况下，事情会很快变得非常复杂。

另一方面，reshape需要能够生成任意形状的数组，因此它尊重连续性要求，并在必要时进行复制。