杂项
优质
小牛编辑
131浏览
2023-12-01
IEEE 754浮点特殊值
在numpy中特殊值定义为: nan, inf,
NaNs 可用作一种简陋的掩饰物 (如果你并不在乎初始的值是什么的话)
注意:不能使用等号运算符来测试NAN。例如:
>>> myarr = np.array([1., 0., np.nan, 3.])
>>> np.nonzero(myarr == np.nan)
(array([], dtype=int64),)
>>> np.nan == np.nan # is always False! Use special numpy functions instead.
False
>>> myarr[myarr == np.nan] = 0. # doesn't work
>>> myarr
array([ 1., 0., NaN, 3.])
>>> myarr[np.isnan(myarr)] = 0. # use this instead find
>>> myarr
array([ 1., 0., 0., 3.])
其他的相关的特殊值判断函数
isinf(): True if value is inf
isfinite(): True if not nan or inf
nan_to_num(): Map nan to 0, inf to max float, -inf to min float
除了从结果中排除nans之外,下是对应的常用函数:
nansum()
nanmax()
nanmin()
nanargmax()
nanargmin()
>>> x = np.arange(10.)
>>> x[3] = np.nan
>>> x.sum()
nan
>>> np.nansum(x)
42.0
numpy是如何处理数字异常的
默认invalid
是 'warn'
, divide
, underflow
是 overflow
和 'ignore'
。 但是这可以改变,并且可以针对不同类型的异常单独设置。有以下不同的行为模式:
- 'ignore' : 当异常发生时,不作任何动作。
- 'warn' : 打印一个RuntimeWarning(通过Python
warnings
模块)。- 'raise' : 抛出一个FloatingPointError。
- 'call' : 调用使用seterrall函数指定的函数。
- 'print' : 直接将警告打印到
stdout
。- 'log' : 在seterrall指定的日志对象中记录错误。
可以为所有类型的错误或特定错误设置以下行为:
- all : 适用于所有数值异常。
- invalid : 生成nans时。
- divide : 除以零(整数也是如此!)
- overflow : 浮点溢出。
- underflow : 浮点下溢。
请注意,整数除零由相同的处理器处理,且这些行为是基于每个线程设置的。
例子
>>> oldsettings = np.seterr(all='warn')
>>> np.zeros(5,dtype=np.float32)/0.
invalid value encountered in divide
>>> j = np.seterr(under='ignore')
>>> np.array([1.e-100])**10
>>> j = np.seterr(invalid='raise')
>>> np.sqrt(np.array([-1.]))
FloatingPointError: invalid value encountered in sqrt
>>> def errorhandler(errstr, errflag):
... print("saw stupid error!")
>>> np.seterrcall(errorhandler)
<function err_handler at 0x...>
>>> j = np.seterr(all='call')
>>> np.zeros(5, dtype=np.int32)/0
FloatingPointError: invalid value encountered in divide
saw stupid error!
>>> j = np.seterr(**oldsettings) # restore previous
... # error-handling settings
与C相关的接口
只针对下列选项进行阐述,阐述每一项工作原理的部分细节。
- 不借助任何工具, 手动打包你的C语言代码。
- 加分项(优点):
- 高效
- 不依赖其他的工具
- 减分项(缺点):
- 大量的学习开销。
- 需要学习Python C API的基础知识。
- 需要学习numpy C API的基础知识。
- 需要学习如何处理引用计数并且熟练掌握。
- 引用计数通常很难做到正确。
- 错误导致内存泄漏,更糟糕的是段错误。
- Python 3.0的API变化会很大。
- 加分项(优点):
- Cython
- 加分项(优点):
- 避免学习C API。
- 不需要处理引用计数。
- 可以在伪python中编码并生成C代码。
- 还可以接入现有的C代码的接口。
- 即便是Python的api改变了也不会对你有任何影响。
- 已经成为了科学Python社区中的权威标准。
- 对数组的快速索引的支持。
- 减分项(缺点):
- 可以用非标准形式编写可能过时的代码。
- 不如手动打包灵活。
- 加分项(优点):
- ctypes
- 加分项(优点):
- Python标准库的一部分
- 适用于连接现有的可共享库,尤其是Windows DLL
- 避免 API/reference 的引用计数问题。
- 良好的numpy支持:数组在ctypes属性中包含所有这些:
a.ctypes.data a.ctypes.get_strides a.ctypes.data_as a.ctypes.shape a.ctypes.get_as_parameter a.ctypes.shape_as a.ctypes.get_data a.ctypes.strides a.ctypes.get_shape a.ctypes.strides_as
- 减分项(缺点):
- 不能把编写代码转换为C的扩展,只能用于打包工具。
- 加分项(优点):
- SWIG (自动打包工具)
- 加分项(优点):
- 耗时长。
- 多脚本语言支持
- C++ 支持
- 适用于打包大型的(包含许多函数)现有C库。
- 减分项(缺点):
- 在Python和C代码之间生成大量代码
- 可能导致几乎无法优化的性能问题
- 接口文件很难写
- 不一定避免引用计数问题 或 必须要了解大部分的API。
- 加分项(优点):
- scipy.weave
- 加分项(优点):
- 可以将许多numpy表达式转换为C代码
- 动态编译和加载生成的C代码
- 可在Python模块中嵌入纯C代码,并具有编织、提取、生成接口和编译等功能。
- 减分项(缺点):
- 未来非常不确定:它是Scipy中唯一没有移植到Python 3的部分,并且实际上已被弃用且不支持Cython。
- 加分项(优点):
- Psyco
- 加分项(优点):
- 通过类似jit的优化将纯python转换为高效的机器代码
- 当它优化得很好时非常快
- 减分项(缺点):
- 只在intel(也许是只能在windows上)上
- 对numpy没有多大作用?
- 加分项(优点):
与Fortran的接口:
包装Fortran代码的明确选择是f2py。
Pyfort是一个较落后的选择,而且很长的时间已经没有人维护了。Fwrap是一个看起来很有希望但已经流产了的项目。
与C++的接口:
- Cython
- CXX
- Boost.python
- SWIG
- SIP (主要用于PyQT)