NyPy数组与特征C++库的矩阵/数组类之间的Cython接口
rmjarvis.eigenc的Python项目详细描述
[！[构建状态]（https://travis-ci.org/wouterboomsma/eigency.svg？branch=master）（https://travis ci.org/wouterboomsma/eigncy）
它旨在简化使用特征库编写c++扩展的
过程。特征是
设计用于在来回传递
数据时重用阵列的底层存储，因此将尽可能避免生成不必要的拷贝
。只有在C++代码显式请求拷贝的情况下，才会生成拷贝。
安装程序和这些不同用例的完整工作
示例可在此软件包附带的
`test`目录中找到。
setup
若要导入特征值功能，请将以下内容添加到`.pyx`文件中：
`````
from eigncy.core cimport*
```
此外，在"setup.py"文件中，include directories必须设置为包含特征包含。这可以通过调用'eigncy'模块中的'get-includes'函数来实现：
```
import-eigncy
…
extensions=[
extension（"module dir name/module name"，["module dir name/module name.pyx"]，
include-dirs=["，"module dir name"]+eigncy.get-includes（）
]
````
eigency包含特征库的一个版本，而"get includes"函数将包含指向此目录的路径。如果您有自己版本的eign，只需将"include_eign"选项设置为false，然后添加自己的路径：
```
include_dirs=["，"module dir name"，"path to own eign"]+eigncy.get_include（include_eign=false）
```
++函数：
``c++
void function_w_mat_arg（const eigen：：map<；eigen：：matrixd>&；mat）{
std：：cout<；<；mat<；"\n"；
}
```
注意，我们使用"eigen：：map"来确保可以重用numpy数组的存储空间，从而避免生成副本。假设c++代码
位于名为"functions.h"的文件中，则对应的`.pyx`条目可能如下：
```
c def extern from"functions.h"：
c def void `>cdef extern from"function _w_mat_mat_mat_mat arg"函数（map[matrixxd]&；）
；这将暴露给python
def函数_mat arg（np.ndarrarray数组）函数
return六unction_w_u mat_u arg（map[matrixxd]（array））
````
最后一行包含实际的转换。` map`是一个特征
类型，它派生自真实的特征映射，并负责
从numpy数组到相应特征类型的转换。
>我们现在可以直接从python直接调用c++函数：
``python
>gt>gt；import numpy as np
>gt；import特征值测试
>gt；x=np.数组（[[1.1，2.2，[3.3，4.4]]）
>gt>gt>gt；x=np.数组（[[1.1，2.1，2.2.2，[3.4]]）
>1.1 3.3.3
>2.2 4.2 4.2 4.2 4.4.4.2；x
>1.1.1 3.3.3.3.3
>2.2 4.2 4
```
（如果您想知道矩阵为什么是反式的摆姿势，请参见下面的存储布局部分）。这意味着在这个过程中，
我们需要明确我们要处理的数值类型。在上面的
函数中，我们指定需要一个特征矩阵，这意味着
numpy数组还必须包含两个（即float64）值。如果我们提供
一个整数的numpy数组，就会得到奇怪的结果。
`` python
>；>import numpy as np
>；>import eigncy_tests
>；>x=np.array（[[1，2]，[3，4]]）
>；>eigncy_tests.function_w_mat_arg（x）
4.94066e-324 1.4822e-323
9.88131e-324 1.97626E-323
'BR/>这是因为我们明确地要求C++解释Python整数Br/>值作为浮点。
为了避免此类错误，您可以强制cython函数只接受特定类型的numpy数组：
````
cdef extern from"functions.h"：
r/>def function__mat_arg（np.ndarray[np.float64_t，ndim=2]数组）：
返回函数_w_mat_arg（map[matrixd]（array））
`````
（注意，使用此技术选择类型时，还需要指定数组的维数（默认为1））。使用此新定义，当传递错误类型的数组时，
``python
>；>import numpy as np
>；>import eigncy_tests
>；>x=np.array（[[1，2]，[3，4]]）
>；>eigncy_tests.function_w_mat_arg（x）
traceback（最近一次调用的最后一次）：
文件"<；stdin>；"，第1行，in<；module>；
文件"eigncy_tests/eigncy_tests.pyx"，第87行，在eigncy_tests.eigncy_tests.function_w_mat_arg
值错误：缓冲区数据类型不匹配，预期为"float64_t"，但得到"long"
````
令人惊讶的是，强烈建议在任何可能的情况下使用此技术
在cython代码中指定numpy数组的完整类型。
九[双，2，2]`。在大多数情况下，您不需要这样做，因为您只需使用特征值便利typedef，例如'map[vectorxd]`。如果需要完整规范的额外灵活性，可以使用"FlattedMap"类型，其中所有类型参数都可以在顶层指定，例如"FlattedMap[Matrix，Double，[U 2，[U 3]"或"FlattedMap[Matrix，Double，[U 2，DYNAMIC]"。注意，维度必须以下划线作为前缀。
动态]&；）
键入，
行和列。eigen支持其他一些模板参数，用于设置存储布局和映射跨步。由于cython不支持融合类型的默认模板参数，因此我们为此定义了单独的类型。它们分别被称为
"flattedMapWithOrder"和"flattedMapWithStride"，其中有5个和8个
模板参数。有关其使用的详细信息，请参阅下面关于存储布局的部分。
BR/>从NUMPY到EGIN（坚持复制）
BR/> EIGITIONS将不会抱怨，如果您与C++接口的函数不使用特征映射对象，而是一个规则的特征矩阵或
数组。但是，在这种情况下，将制作一份副本。实际上，
过程与上述完全相同。在'.Pyx'文件中，您仍然
定义了与上面描述的地图完全相同的方法。例如，BR/> BR/>例如，给定以下C++函数：
‘C++BR/>无效函数WWVECARGARGNONOZMAP（const EGEN：VECRTRESD和VEC）；
'BR/> BR/> Cython定义仍然是L。如下所示：
````
cdef extern from"functions.h"：
cdef void ```
cdef void `>cdef void _-vec-argu-no-map"function _-vec-argu-no-map"（map[vectorxd]&；）
；这将暴露于python
def function _-vec-avc-argu-no-map（np.ndarray[np.float64-t]array数组数组）中：
br/>>返回函数_arg_no_映射（映射[vectorxd]（数组））
``
分配给它们相应的矩阵/数组类型，因此这一工作
非常简单。但是记住，这个任务将复制一个
基础数据的拷贝。
BR/>对NUBY
BR/C++函数返回一个本征矩阵/数组的引用也可以将BR/>转移到NUPY数组，而不复制它们的内容。假设
我们有一个具有单个吸引子函数的类，它返回一个特征Br/>矩阵成员：
'C++BR/>类Myclass {BR/> MyClice（）：
矩阵（Eig::Matrix x3:：常量（3））{{BR/> } BR/>特征：：Matrix XXD和GETyMatrix（）{Br/>返回这个-gt；矩阵；
}：BR/>本征：：Matrix x3D矩阵；
}；
'BR/> BR/>接口：通常指定：Cython C++类接口：
'BR/> CDEF CppCysMyCype MyCype：
MyCype"MyCype"（），除+
MyRIX3D和GETX Matrix（）
'BR/> BR/>d对应的python包装器：
`` python
cdef class myclass:
cdef myclass*thisptr；
def cinit（self）：
self.thisptr=new myclass（）
def dealloc（self）：
del self.thisptr
def get矩阵（self）：
返回ndarray（self.thisptr.get_matrix（））
```
最后一行包含实际的转换。同样，eigncy也有它自己的"ndarray"版本，它将负责
您的转换。
由于cython中的限制，eigncy不能处理完整的
矩阵/数组模板规范作为返回类型
（例如，"matrix[double，4，2]`）。但是，作为一种解决方法，在这种情况下（或者在所有情况下，如果您愿意的话）可以使用
`plainobjectbase`作为返回类型：
````
`plainobjectbase&；get撸matrix（）
````
o根据返回类型，猜测您想要的是副本
还是视图。大多数时候，这可能是你想要的。但是，在某些情况下，您可能希望
覆盖此行为。例如，返回const
引用的函数将导致数组的副本，因为const
不能在python中强制执行。但是，您可以通过使用"NDARRAYORION"或"NDARRAYY VIEW"BR/>函数来重写
默认行为。
BR/>从以前扩展"MyClass"实例：
BR/> 'C++BR/>类Myclass {BR/> Pube：
…BR/> const EGEN：：MatRXXD和GETYOXCONTYM MatRIX（）：{BR/>返回这个-g/t；
…
}，
'BR/> BR/>对应的Cython接口规范BR/>通常指定Cython C++类接口：
BR/> 'BD/CCDF CppClasyMyClasyMyClase:MyClase:Br/>…_ matrix（）
```
下面将返回一个副本
``python
cdef class myclass:
…
def get_const_matrix（self）：
返回ndarray（self.thisptr.get_const_matrix（））
```
cdef类myclass:
…
def get_const_matrix（self）：
返回ndarray视图（self.thisptr.get_const_matrix（））
````
哎呀。例如，给出以下C++函数：
'C++BR/>特征：：MyRX3D函数，WyMataReTalvar（；
'BR/>< BR/> 'BR/> CDEF，从"函数H"中删去：
CDEF MaMatx3D函数，WyMatxReVALL函数"WyMatthReVALVE"（）
BR/>S将是暴露于python
def function_w_mat_retval（）：
return ndarray_copy（_function_w_mat_retval（））
```
没有关联的便利类型def。
请注意，我们使用"ndarray\u copy"而不是"ndarray"来显式地声明应创建副本。在C++ 11兼容编译器中，它
将检测RValk引用并自动复制，即使
您只使用"NDRAY"（见下一节），但为了确保其工作
也使用旧编译器，建议在返回新构造的EI时总是使用
'NDARRAYRAICOMIN ]。gen值。
例如，
从上一节中的"函数xWATMATRIVALVE"中，将从C++返回一个临时的
值，并且我们必须注意将该数据复制为
，而不是使所得的NUMPY数组
直接指向该内存。在C++ 11中，这种情况可以使用rValk引用直接检测到
，因此它将自动生成一个拷贝：
`BR/> DEF函数WYMATH-RATALVE（）：
这是在C++ 11中工作的，因为它检测到rValueBr.BR/>返回NDARRY（函数x WyMataReTalk（））
```
但是，为了确保它与旧的编译器一起工作，建议使用"ndarray_copy"转换：
````
def function_w_mat_retval（）：
/>
numpy默认使用
行主布局（c样式），而eigen默认使用
列主布局（fortran样式）。在适当的情况下，我们优先考虑
尽可能避免复制数据，在某些情况下可能会有意想不到的
后果：当将值从B++传递到Python时，没有问题。我们只需调整返回的
NUMPY数组的存储布局，以匹配EGIN。但是，由于存储布局
被编码成特征数组的类型（或
映射类型），所以不能自动将Python中的布局更改为C++方向。因此，在
特征值中，我们选择在这种情况下返回转置数组/矩阵
。这为用户提供了在Python（使用BooSt=＝"f"时构建Br/>您的NUMPY数组）或在C++方面的灵活性：（1）显式定义您的
参数以具有行主存储布局，2）手动设置MAP
步幅，或3）只需调用"t"。transpose（）`在接收的
数组/矩阵上）。< BR> > BR/>作为一个例子，考虑一个C++函数的例子，它既接收
并返回一个特征映射类型，从而充当过滤器：
'C++
本征：：图AXXD和Gt；函数过滤器（EGIN：MAP& LT；ArayXXD和G.＆Mat）{BR/>返回垫；
` BR/> BR/> T。cython代码可以是：
```
cdef extern from"functions.h"：
…
cdef map[arrayxd]&u function\u filter1"function\u filter1"（map[arrayxd]&；）
def function\u filter1（np.ndarray[np.float64，ndim=2]array）：
return ndarray（\u function\u filter1（map[arrayx[BR/> BR/>‘BR/> BR/>如果我们以标准的方式从Python调用这个函数，我们将BR/>看到数组从Python到C++的方式被转置，并且
当它再次返回到Python时仍然是这样的：
Byth> Br/> & Gt；& gt；x＝NP.数组（[1，2，3，4），[5、6、7、8.]]）
>；>y=功能过滤器1（x）
>；>print x
[[1.2。三. 4.]
[5.6。7。8.]]
>；>>打印y
[[1.5.]
[2.6.]
[3.7.]
[4.8.]]
```
避免这种情况的最简单方法是告诉numpy使用
列主数组布局，而不是默认的行主数组布局。这可以使用order='f'选项来完成：
`` python
>；>x=np.数组（[[1,2,3,4.]，[5,6,7,8.]]，order='f'）
>；>y=function\u filter1（x）
>；>print x
[[1]。2。三。4.]
[5.6。7。8.]]
>；>>打印y
[[1.2。三。4.]
[5.6。7。8.]]
```
这个< BR/>需要改变C++函数定义：< BR/> 'C++< BR/> typedef Eigen：：map & lt；双：特征：：动态，特征：：RealMeave＆Gt；RowMajorArrayMap；
RoMaMrRayaRaymap and ActudioField2（RoMaMrRayalaymap and Mat）{Br/>返回垫；< BR/> }
```
要编写相应的cython定义，我们需要扩展版的
`flattedmap`称为'flattedmapwithorder`，它允许我们指定
存储顺序：
```
cdef extern from"functions.h"：
…
lter2"函数过滤器2"（flattedMapWithOrder[array，double，dynamic，dynamic，rowMajor]）
def函数过滤器2（np.ndarray[np.float64，ndim=2]数组）：
返回ndarray（函数过滤器2（flattedMapWithOrder[array，double，dynamic，rowMajor]，array））
````
她的替代方法是保持数组本身以RoWiar格式，
但使用不同的步幅值用于地图类型：
BR/> 'C++BR/> typedef Eigen：：地图，ArrayXXd：，EGEN：：不对齐，特征：：步幅和lt；1：特征：：动态& gt；CustomStrideMap。er3（customstreammap&；）；
```
3"函数过滤器3"（FlattedMapWithStride[Array，Double，dynamic，dynamic，colMajor，unaligned，[u 1，dynamic]）
Def函数过滤器3（np.ndarray[np.float64_t，ndim=2]数组）：
返回ndarray（\u函数过滤器3（FlattedMapWithStride[Array，Double，dynamic，dynamic，colMajor，unaligned，u 1，dynamic（array））
```
在这三种情况下，返回的数组现在的形状都与原始数组相同。
它旨在简化使用特征库编写c++扩展的
过程。特征是
设计用于在来回传递
数据时重用阵列的底层存储，因此将尽可能避免生成不必要的拷贝
。只有在C++代码显式请求拷贝的情况下，才会生成拷贝。
安装程序和这些不同用例的完整工作
示例可在此软件包附带的
`test`目录中找到。
setup
若要导入特征值功能，请将以下内容添加到`.pyx`文件中：
`````
from eigncy.core cimport*
```
此外，在"setup.py"文件中，include directories必须设置为包含特征包含。这可以通过调用'eigncy'模块中的'get-includes'函数来实现：
```
import-eigncy
…
extensions=[
extension（"module dir name/module name"，["module dir name/module name.pyx"]，
include-dirs=["，"module dir name"]+eigncy.get-includes（）
]
````
eigency包含特征库的一个版本，而"get includes"函数将包含指向此目录的路径。如果您有自己版本的eign，只需将"include_eign"选项设置为false，然后添加自己的路径：
```
include_dirs=["，"module dir name"，"path to own eign"]+eigncy.get_include（include_eign=false）
```
++函数：
``c++
void function_w_mat_arg（const eigen：：map<；eigen：：matrixd>&；mat）{
std：：cout<；<；mat<；"\n"；
}
```
注意，我们使用"eigen：：map"来确保可以重用numpy数组的存储空间，从而避免生成副本。假设c++代码
位于名为"functions.h"的文件中，则对应的`.pyx`条目可能如下：
```
c def extern from"functions.h"：
c def void `>cdef extern from"function _w_mat_mat_mat_mat arg"函数（map[matrixxd]&；）
；这将暴露给python
def函数_mat arg（np.ndarrarray数组）函数
return六unction_w_u mat_u arg（map[matrixxd]（array））
````
最后一行包含实际的转换。` map`是一个特征
类型，它派生自真实的特征映射，并负责
从numpy数组到相应特征类型的转换。
>我们现在可以直接从python直接调用c++函数：
``python
>gt>gt；import numpy as np
>gt；import特征值测试
>gt；x=np.数组（[[1.1，2.2，[3.3，4.4]]）
>gt>gt>gt；x=np.数组（[[1.1，2.1，2.2.2，[3.4]]）
>1.1 3.3.3
>2.2 4.2 4.2 4.2 4.4.4.2；x
>1.1.1 3.3.3.3.3
>2.2 4.2 4
```
（如果您想知道矩阵为什么是反式的摆姿势，请参见下面的存储布局部分）。这意味着在这个过程中，
我们需要明确我们要处理的数值类型。在上面的
函数中，我们指定需要一个特征矩阵，这意味着
numpy数组还必须包含两个（即float64）值。如果我们提供
一个整数的numpy数组，就会得到奇怪的结果。
`` python
>；>import numpy as np
>；>import eigncy_tests
>；>x=np.array（[[1，2]，[3，4]]）
>；>eigncy_tests.function_w_mat_arg（x）
4.94066e-324 1.4822e-323
9.88131e-324 1.97626E-323
'BR/>这是因为我们明确地要求C++解释Python整数Br/>值作为浮点。
为了避免此类错误，您可以强制cython函数只接受特定类型的numpy数组：
````
cdef extern from"functions.h"：
r/>def function__mat_arg（np.ndarray[np.float64_t，ndim=2]数组）：
返回函数_w_mat_arg（map[matrixd]（array））
`````
（注意，使用此技术选择类型时，还需要指定数组的维数（默认为1））。使用此新定义，当传递错误类型的数组时，
``python
>；>import numpy as np
>；>import eigncy_tests
>；>x=np.array（[[1，2]，[3，4]]）
>；>eigncy_tests.function_w_mat_arg（x）
traceback（最近一次调用的最后一次）：
文件"<；stdin>；"，第1行，in<；module>；
文件"eigncy_tests/eigncy_tests.pyx"，第87行，在eigncy_tests.eigncy_tests.function_w_mat_arg
值错误：缓冲区数据类型不匹配，预期为"float64_t"，但得到"long"
````
令人惊讶的是，强烈建议在任何可能的情况下使用此技术
在cython代码中指定numpy数组的完整类型。
九[双，2，2]`。在大多数情况下，您不需要这样做，因为您只需使用特征值便利typedef，例如'map[vectorxd]`。如果需要完整规范的额外灵活性，可以使用"FlattedMap"类型，其中所有类型参数都可以在顶层指定，例如"FlattedMap[Matrix，Double，[U 2，[U 3]"或"FlattedMap[Matrix，Double，[U 2，DYNAMIC]"。注意，维度必须以下划线作为前缀。
动态]&；）
键入，
行和列。eigen支持其他一些模板参数，用于设置存储布局和映射跨步。由于cython不支持融合类型的默认模板参数，因此我们为此定义了单独的类型。它们分别被称为
"flattedMapWithOrder"和"flattedMapWithStride"，其中有5个和8个
模板参数。有关其使用的详细信息，请参阅下面关于存储布局的部分。
BR/>从NUMPY到EGIN（坚持复制）
BR/> EIGITIONS将不会抱怨，如果您与C++接口的函数不使用特征映射对象，而是一个规则的特征矩阵或
数组。但是，在这种情况下，将制作一份副本。实际上，
过程与上述完全相同。在'.Pyx'文件中，您仍然
定义了与上面描述的地图完全相同的方法。例如，BR/> BR/>例如，给定以下C++函数：
‘C++BR/>无效函数WWVECARGARGNONOZMAP（const EGEN：VECRTRESD和VEC）；
'BR/> BR/> Cython定义仍然是L。如下所示：
````
cdef extern from"functions.h"：
cdef void ```
cdef void `>cdef void _-vec-argu-no-map"function _-vec-argu-no-map"（map[vectorxd]&；）
；这将暴露于python
def function _-vec-avc-argu-no-map（np.ndarray[np.float64-t]array数组数组）中：
br/>>返回函数_arg_no_映射（映射[vectorxd]（数组））
``
分配给它们相应的矩阵/数组类型，因此这一工作
非常简单。但是记住，这个任务将复制一个
基础数据的拷贝。
BR/>对NUBY
BR/C++函数返回一个本征矩阵/数组的引用也可以将BR/>转移到NUPY数组，而不复制它们的内容。假设
我们有一个具有单个吸引子函数的类，它返回一个特征Br/>矩阵成员：
'C++BR/>类Myclass {BR/> MyClice（）：
矩阵（Eig::Matrix x3:：常量（3））{{BR/> } BR/>特征：：Matrix XXD和GETyMatrix（）{Br/>返回这个-gt；矩阵；
}：BR/>本征：：Matrix x3D矩阵；
}；
'BR/> BR/>接口：通常指定：Cython C++类接口：
'BR/> CDEF CppCysMyCype MyCype：
MyCype"MyCype"（），除+
MyRIX3D和GETX Matrix（）
'BR/> BR/>d对应的python包装器：
`` python
cdef class myclass:
cdef myclass*thisptr；
def cinit（self）：
self.thisptr=new myclass（）
def dealloc（self）：
del self.thisptr
def get矩阵（self）：
返回ndarray（self.thisptr.get_matrix（））
```
最后一行包含实际的转换。同样，eigncy也有它自己的"ndarray"版本，它将负责
您的转换。
由于cython中的限制，eigncy不能处理完整的
矩阵/数组模板规范作为返回类型
（例如，"matrix[double，4，2]`）。但是，作为一种解决方法，在这种情况下（或者在所有情况下，如果您愿意的话）可以使用
`plainobjectbase`作为返回类型：
````
`plainobjectbase&；get撸matrix（）
````
o根据返回类型，猜测您想要的是副本
还是视图。大多数时候，这可能是你想要的。但是，在某些情况下，您可能希望
覆盖此行为。例如，返回const
引用的函数将导致数组的副本，因为const
不能在python中强制执行。但是，您可以通过使用"NDARRAYORION"或"NDARRAYY VIEW"BR/>函数来重写
默认行为。
BR/>从以前扩展"MyClass"实例：
BR/> 'C++BR/>类Myclass {BR/> Pube：
…BR/> const EGEN：：MatRXXD和GETYOXCONTYM MatRIX（）：{BR/>返回这个-g/t；
…
}，
'BR/> BR/>对应的Cython接口规范BR/>通常指定Cython C++类接口：
BR/> 'BD/CCDF CppClasyMyClasyMyClase:MyClase:Br/>…_ matrix（）
```
下面将返回一个副本
``python
cdef class myclass:
…
def get_const_matrix（self）：
返回ndarray（self.thisptr.get_const_matrix（））
```
cdef类myclass:
…
def get_const_matrix（self）：
返回ndarray视图（self.thisptr.get_const_matrix（））
````
哎呀。例如，给出以下C++函数：
'C++BR/>特征：：MyRX3D函数，WyMataReTalvar（；
'BR/>< BR/> 'BR/> CDEF，从"函数H"中删去：
CDEF MaMatx3D函数，WyMatxReVALL函数"WyMatthReVALVE"（）
BR/>S将是暴露于python
def function_w_mat_retval（）：
return ndarray_copy（_function_w_mat_retval（））
```
没有关联的便利类型def。
请注意，我们使用"ndarray\u copy"而不是"ndarray"来显式地声明应创建副本。在C++ 11兼容编译器中，它
将检测RValk引用并自动复制，即使
您只使用"NDRAY"（见下一节），但为了确保其工作
也使用旧编译器，建议在返回新构造的EI时总是使用
'NDARRAYRAICOMIN ]。gen值。
例如，
从上一节中的"函数xWATMATRIVALVE"中，将从C++返回一个临时的
值，并且我们必须注意将该数据复制为
，而不是使所得的NUMPY数组
直接指向该内存。在C++ 11中，这种情况可以使用rValk引用直接检测到
，因此它将自动生成一个拷贝：
`BR/> DEF函数WYMATH-RATALVE（）：
这是在C++ 11中工作的，因为它检测到rValueBr.BR/>返回NDARRY（函数x WyMataReTalk（））
```
但是，为了确保它与旧的编译器一起工作，建议使用"ndarray_copy"转换：
````
def function_w_mat_retval（）：
/>
numpy默认使用
行主布局（c样式），而eigen默认使用
列主布局（fortran样式）。在适当的情况下，我们优先考虑
尽可能避免复制数据，在某些情况下可能会有意想不到的
后果：当将值从B++传递到Python时，没有问题。我们只需调整返回的
NUMPY数组的存储布局，以匹配EGIN。但是，由于存储布局
被编码成特征数组的类型（或
映射类型），所以不能自动将Python中的布局更改为C++方向。因此，在
特征值中，我们选择在这种情况下返回转置数组/矩阵
。这为用户提供了在Python（使用BooSt=＝"f"时构建Br/>您的NUMPY数组）或在C++方面的灵活性：（1）显式定义您的
参数以具有行主存储布局，2）手动设置MAP
步幅，或3）只需调用"t"。transpose（）`在接收的
数组/矩阵上）。< BR> > BR/>作为一个例子，考虑一个C++函数的例子，它既接收
并返回一个特征映射类型，从而充当过滤器：
'C++
本征：：图AXXD和Gt；函数过滤器（EGIN：MAP& LT；ArayXXD和G.＆Mat）{BR/>返回垫；
` BR/> BR/> T。cython代码可以是：
```
cdef extern from"functions.h"：
…
cdef map[arrayxd]&u function\u filter1"function\u filter1"（map[arrayxd]&；）
def function\u filter1（np.ndarray[np.float64，ndim=2]array）：
return ndarray（\u function\u filter1（map[arrayx[BR/> BR/>‘BR/> BR/>如果我们以标准的方式从Python调用这个函数，我们将BR/>看到数组从Python到C++的方式被转置，并且
当它再次返回到Python时仍然是这样的：
Byth> Br/> & Gt；& gt；x＝NP.数组（[1，2，3，4），[5、6、7、8.]]）
>；>y=功能过滤器1（x）
>；>print x
[[1.2。三. 4.]
[5.6。7。8.]]
>；>>打印y
[[1.5.]
[2.6.]
[3.7.]
[4.8.]]
```
避免这种情况的最简单方法是告诉numpy使用
列主数组布局，而不是默认的行主数组布局。这可以使用order='f'选项来完成：
`` python
>；>x=np.数组（[[1,2,3,4.]，[5,6,7,8.]]，order='f'）
>；>y=function\u filter1（x）
>；>print x
[[1]。2。三。4.]
[5.6。7。8.]]
>；>>打印y
[[1.2。三。4.]
[5.6。7。8.]]
```
这个< BR/>需要改变C++函数定义：< BR/> 'C++< BR/> typedef Eigen：：map & lt；双：特征：：动态，特征：：RealMeave＆Gt；RowMajorArrayMap；
RoMaMrRayaRaymap and ActudioField2（RoMaMrRayalaymap and Mat）{Br/>返回垫；< BR/> }
```
要编写相应的cython定义，我们需要扩展版的
`flattedmap`称为'flattedmapwithorder`，它允许我们指定
存储顺序：
```
cdef extern from"functions.h"：
…
lter2"函数过滤器2"（flattedMapWithOrder[array，double，dynamic，dynamic，rowMajor]）
def函数过滤器2（np.ndarray[np.float64，ndim=2]数组）：
返回ndarray（函数过滤器2（flattedMapWithOrder[array，double，dynamic，rowMajor]，array））
````
她的替代方法是保持数组本身以RoWiar格式，
但使用不同的步幅值用于地图类型：
BR/> 'C++BR/> typedef Eigen：：地图，ArrayXXd：，EGEN：：不对齐，特征：：步幅和lt；1：特征：：动态& gt；CustomStrideMap。er3（customstreammap&；）；
```
3"函数过滤器3"（FlattedMapWithStride[Array，Double，dynamic，dynamic，colMajor，unaligned，[u 1，dynamic]）
Def函数过滤器3（np.ndarray[np.float64_t，ndim=2]数组）：
返回ndarray（\u函数过滤器3（FlattedMapWithStride[Array，Double，dynamic，dynamic，colMajor，unaligned，u 1，dynamic（array））
```
在这三种情况下，返回的数组现在的形状都与原始数组相同。
欢迎加入QQ群-->： 979659372
