其他

IEEE 754浮点特殊值

numpy中定义的特殊值：nan，inf，

奶奶可以当穷人的面具（如果你不在乎最初的价值是什么的话）

注意：不能使用相等来测试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.])

其他相关特殊值函数：：

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

以下与常规函数相对应，但结果中不包括nan:：

nansum()
nanmax()
nanmin()
nanargmax()
nanargmin()

>>> x = np.arange(10.)
>>> x[3] = np.nan
>>> x.sum()
nan
>>> np.nansum(x)
42.0

numpy如何处理数字异常

默认为 'warn' 对于 invalid ， divide 和 overflow 和 'ignore' 对于 underflow . 但这可以更改，并且可以针对不同类型的异常单独设置。不同的行为是：

• “忽略”：发生异常时不采取任何操作。

• “警告”：打印 RuntimeWarning （通过Python） warnings 模块）。

• “升高”：升高 FloatingPointError .

• “call”：调用使用 seterrcall 功能。

• “print”：将警告直接打印到 stdout .

• “日志”：在由指定的日志对象中记录错误 seterrcall .

这些行为可以针对各种错误或特定错误进行设置：

• 全部：应用于所有数值异常

• 无效：生成NAN时

• 除以：除以零（对于整数也是如此！）

• 溢出：浮点溢出

• 下溢：浮点下溢

请注意，整数除以零是由同一个机器处理的。这些行为是在每个线程的基础上设置的。

实例

>>> 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接口

只有对选择的调查。每一个工作原理的小细节。

1. 裸金属，手工包装自己的C代码。

• Plusses：

  • 有效的

  • 不依赖其他工具

• 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

    • 需要学习如何处理参考计数并喜欢它。

  • 参考计数通常很难得到正确的结果。

    • 出错会导致内存泄漏，更糟的是，会导致SegFaults

  • API将更改为python 3.0！

2. 赛隆

• Plusses：

  • 避免学习C API

  • 不处理参考计数

  • 可以用伪python编码并生成C代码

  • 也可以与现有的C代码接口

  • 应该保护您免受对python c api的更改

  • 已经成为科学 Python 社区中的事实标准

  • 对数组的快速索引支持

• 缺点：

  • 可以以非标准形式编写可能会过时的代码

  • 不像手工包装那样灵活

3. C型

• Plusses：

  • python标准库的一部分

  • 适用于与现有可共享库（尤其是Windows DLL）的接口

  • 避免API/引用计数问题

  • 良好的numpy支持：数组的ctypes属性中包含所有这些属性：：：

    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
    

• 缺点：

  • 不能用于编写要转换为C扩展的代码，只能使用包装工具。

4. 自动包装机

• Plusses：

  • 大约很长时间

  • 多脚本语言支持

  • C++支持

  • 适合包装大型（多个函数）现有C库

• 缺点：

  • 在python和c代码之间生成大量代码

  • 可能导致性能问题，几乎不可能优化

  • 接口文件可能难以写入

  • 不一定避免引用计数问题或需要了解API

5. scipy.weave

• Plusses：

  • 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

  • 可以在python模块中嵌入纯C代码，并有weave提取、生成接口和编译等功能。

• 缺点：

  • 未来非常不确定：它是scipy中唯一一个没有移植到python 3的部分，实际上已经被弃用，取而代之的是cython。

6. 心理医生

• Plusses：

  • 通过类似于JIT的优化，将纯Python转换为高效的机器代码

  • 优化得很好，速度很快

• 缺点：

  • 仅在Intel（Windows？）

  • 对 NumPy 没什么作用？

与Fortran接口：

包装Fortran代码的明确选择是 f2py .

Pyfort是一个较旧的替代方案，但不再受支持。fwrap是一个新的项目，看起来很有希望，但现在还没有开发出来。

C++接口

1. 赛隆

2. CXX

3. Boost.python

4. SWIG

5. SIP（主要用于PYQT）

子类数据数组 面向MATLAB用户的NumPy