python - 创建一个 numpy.array，其元素由子类 numpy.ndarrays 组成

Question

我正在尝试创建子类 numpy 数组的 numpy 数组。不幸的是，当我创建新的子类数组时，numpy 自动将数组的元素向上转换为 numpy.ndarray。

下面的代码显示了我正在尝试做的事情。 dummy_class 继承自 numpy.ndarray 并包含一些额外的功能(这对于当前的问题并不重要)。我使用 dummy_class 构造函数创建两个新数组，并希望将每个子类数组放入新的 numpy_ndarray 中。当有问题的数组被初始化时，子类数组的类型会自动向上转换，从 dummy_class 到 numpy.ndarray。下面可以找到一些重现问题的代码

import numpy

class dummy_class(numpy.ndarray):
    def __new__(cls, data, some_attribute):
        obj = numpy.asarray(data).view(cls)
        obj.attribute = some_attribute
        return obj

array_1 = dummy_class([1,2,3,4], "first dummy")
print type(array_1)
# <class '__main__.dummy_class'>

array_2 = dummy_class([1,2,3,4], "second dummy")
print type(array_2)
# <class '__main__.dummy_class'>

the_problem = numpy.array([array_1, array_2])
print type(the_problem)
# <type 'numpy.ndarray'>
print type(the_problem[0])
# <type 'numpy.ndarray'>
print type(the_problem[1])
# <type 'numpy.ndarray'>

Answer 1

这是用任意 Python 对象填充 NumPy 数组的方法:

the_problem = np.empty(2, dtype='O')
the_problem[:] = [array_1, array_2]

<小时/>

我同意 iluengo 的观点，即制作 NumPy 数组并没有利用 NumPy 的优势，因为这样做需要外部 NumPy 数组的数据类型为 object。对象数组需要的内存量与常规 Python 列表大致相同，需要比等效 Python 列表更多的时间来构建，并且计算速度并不比等效 Python 列表快。也许它们唯一的优点是它们提供了使用 NumPy 数组索引语法的能力。