您可以通过创建一个数组来实现
dtype=object。如果您尝试将长字符串分配给普通的numpy数组,则会截断该字符串:
>>> a = numpy.array(['apples', 'foobar', 'cowboy'])>>> a[2] = 'bananas'>>> aarray(['apples', 'foobar', 'banana'], dtype='|S6')
但是,当您使用时
dtype=object,会得到一个python对象引用数组。因此,您可以拥有python字符串的所有行为:
>>> a = numpy.array(['apples', 'foobar', 'cowboy'], dtype=object)>>> aarray([apples, foobar, cowboy], dtype=object)>>> a[2] = 'bananas'>>> aarray([apples, foobar, bananas], dtype=object)
实际上,由于它是对象数组,因此您可以将 任何 种类的python对象分配给该数组:
>>> a[2] = {1:2, 3:4}>>> aarray([apples, foobar, {1: 2, 3: 4}], dtype=object)
但是,这取消了使用numpy的许多好处,它是如此之快,因为它适用于连续的大型连续原始内存块。使用python对象会增加很多开销。一个简单的例子:
>>> a = numpy.array(['abba' for _ in range(10000)])>>> b = numpy.array(['abba' for _ in range(10000)], dtype=object)>>> %timeit a.copy()100000 loops, best of 3: 2.51 us per loop>>> %timeit b.copy()10000 loops, best of 3: 48.4 us per loop
欢迎分享,转载请注明来源:内存溢出
评论列表(0条)