如何解读numpy中ndarray数组的order存储顺序参数？

我们相信：世界是美好的，你是我也是。 来玩一下解压小游戏吧！

作为目前python代码中强大又常见的第三方数组类型，ndarray类型，在创建数组的时候有个order参数，可以控制元素在内存中的存储顺序。就是说在ndarray形成的时候，输入的元素的实际位置，受到order参数的控制，控制其元素的实际摆放位置。

苏南大叔的"程序如此灵动"博客，记录苏南大叔的编程经验内容。本文测试环境：win10，python@3.11.0，numpy@1.24.2。

以前有首歌叫做“都选C”来着吧？其实很适合本文，对于和ndarray扯上关系的order参数，选择C是大概率没有问题的。选择F大概率是会出一些意外的。

前文回顾

本文内容的正确理解，可能需要您了解如下内容：

• 如何定义一个ndarray：https://newsn.net/say/numpy-ndarray.html
• 使用range()生成一个范围：https://newsn.net/say/ndarray-arange.html
• ndarray类型的扁平化：https://newsn.net/say/ndarray-flatten.html
• 使用reshape()重塑数组形状：https://newsn.net/say/ndarray-reshape.html
• zeros()和ones()生成ndarray：https://newsn.net/say/numpy-zeros-ones.html

重要结论：order！！！

对于python的ndarray，相关选项就一个：fortran_order！取值是True或者False！所以，不论本文中的后续内容如何说明，极有可能的真相就是：就是二分法，是不是按列读取！fortran_order！

可以把ndarray保存到.npy或者.npz文件里面，就可以看到其描述类似为：

{'descr': '<U1', 'fortran_order': False, 'shape': (2, 4), }

有哪些order？

可用的order有四个，但是常见的就两个。

使用order参数的函数有如下几个，默认order参数都是C。

• numpy.copy()
• numpy.ravel()
• numpy.flatten()
• numpy.reshape()（无法使用K）
• numpy.zeros()
• numpy.ones()
• 其它

只有定义numpy.array()中的order默认是K（内存）。

order不影响ndarray的视图

order不影响ndarray的视图。也就是说，无论order写的是什么值，最终展现出来的视图（通俗的说，print出来的数据）都是一样的。只是影响成员在内存中的存放顺序，但是这个对于大多数人来说，是无感的。

下面的代码中（不限于这些），虽然order设置不同，但是，这些变量的打印值一模一样。

import numpy as np

a = np.array([["苏", "南", "大", "叔"], ["技", "术", "博", "客"]], order='C')
b = np.array([["苏", "南", "大", "叔"], ["技", "术", "博", "客"]], order='F')
c = np.array([["苏", "南", "大", "叔"], ["技", "术", "博", "客"]], order='K')
d = np.array([["苏", "南", "大", "叔"], ["技", "术", "博", "客"]], order='A')
print("a:", a)
print("b:", b)
print("c:", c)
print("d:", d)

输出：

a: [['苏' '南' '大' '叔']
 ['技' '术' '博' '客']]
b: [['苏' '南' '大' '叔']
 ['技' '术' '博' '客']]
c: [['苏' '南' '大' '叔']
 ['技' '术' '博' '客']]
d: [['苏' '南' '大' '叔']
 ['技' '术' '博' '客']]

使用.strides可以做部分区分

因为实际情况下，order参数A效果等于C，K效果也很可能等于C。所以，使用.strides是可以区分F的情况出来。

strides：进展，步法。

正常情况下来说，一个元素占四个字节（也不一定，这里就是举个简单的例子。）

测试代码：

import numpy as np

a = np.array([["苏", "南", "大", "叔"], ["技", "术", "博", "客"]], order='C')
b = np.array([["苏", "南", "大", "叔"], ["技", "术", "博", "客"]], order='F')
c = np.array([["苏", "南", "大", "叔"], ["技", "术", "博", "客"]], order='K')
d = np.array([["苏", "南", "大", "叔"], ["技", "术", "博", "客"]], order='A')
print("C:", a.strides)
print("F:", b.strides)
print("K:", c.strides)
print("A:", d.strides)

输出：

C: (16, 4)
F: (4, 8)
K: (16, 4)
A: (16, 4)

可以看到：

查看内存中的实际排序

可以利用了数据扁平化函数的order='K'参数来进行查看。[用魔法打败魔法]。
这里可以使用.zeval()和.flatten()来实现数据的扁平化，但是不能使用reshape(-1)，会得到错误提示信息：

    d2 = d.reshape(-1,order="K")
         ^^^^^^^^^^^^^^^^^^^^^^^
ValueError: order 'K' is not permitted for reshaping

参考文章：

• https://newsn.net/say/ndarray-flatten.html

测试order='C/K/A'

import numpy as np

a = np.array([["苏", "南", "大", "叔"], ["技", "术", "博", "客"]], order='C')
c = np.array([["苏", "南", "大", "叔"], ["技", "术", "博", "客"]], order='K')
d = np.array([["苏", "南", "大", "叔"], ["技", "术", "博", "客"]], order='A')

a2 = a.flatten(order="K")
print(a2, a2.strides)
c2 = c.flatten(order="K")
print(c2, c2.strides)
d2 = d.flatten(order="K")
print(d2, d2.strides)

输出：

['苏' '南' '大' '叔' '技' '术' '博' '客'] (4,)
['苏' '南' '大' '叔' '技' '术' '博' '客'] (4,)
['苏' '南' '大' '叔' '技' '术' '博' '客'] (4,)

测试order='F'

import numpy as np

b = np.array([["苏", "南", "大", "叔"], ["技", "术", "博", "客"]], order='F')
b2 = b.ravel(order="K")
print(b2, b2.strides)
# b2 = b.flatten(order="K")
# print(b2, b2.strides)

输出：

['苏' '技' '南' '术' '大' '博' '叔' '客'] (4,)

上面的代码显示：内存中的值是按着一列一列的顺序存储的。

import numpy as np

b0 = [["苏", "南", "大", "叔"], ["技", "术", "博", "客"]]
b = np.array(b0, order='F').swapaxes(1,0)
print(b, b.strides)
b2 = b.flatten(order="K")
print(b2, b2.strides)

输出：

[['苏' '技']
 ['南' '术']
 ['大' '博']
 ['叔' '客']] (8, 4)
['苏' '技' '南' '术' '大' '博' '叔' '客'] (4,)

这个代码显示：虽然中间值b被转置了，但是内存中的存储顺序依然没有发生改变。

相关文章：

• https://newsn.net/say/ndarray-swapaxes.html

结论

可见，order参数在定义的时候，没有什么大的影响的。但是对其成员进行读取的时候，根据order的不同，可能会有不同的结果出现。

更多苏南大叔的python经验文章，请点击：

• https://newsn.net/tag/python/

如果本文对您有帮助，或者节约了您的时间，欢迎打赏瓶饮料，建立下友谊关系。
本博客不欢迎：各种镜像采集行为。请尊重原创文章内容，转载请保留作者链接。