Python-сообщество

Редко работал с Numpy, но тут наткнулся на такое:

>>> from numpy import *
>>> m = array([1,2,3,4])
>>> m
array([1, 2, 3, 4])
>>> type(m)
<type 'numpy.ndarray'>
>>> m + 0.3
array([ 1.3,  2.3,  3.3,  4.3])
>>> m[1] = m[1] + 0.4
>>> m
array([1, 2, 3, 4])
>>> m[1] = m[1] + 3
>>> m
array([1, 5, 3, 4])

у вас в numpy.array целые числа.

>>> m.dtype
dtype('int64')

Вы меня не поняли… меня удивило подобное поведение:

>>> m + 0.3
array([ 1.3,  2.3,  3.3,  4.3])

>>> m[1] = m[1] + 0.4
>>> m
array([1, 2, 3, 4])

Отредактировано (Май 8, 2010 22:50:04)

Тогда позвольте мне расписать все немного подробней.
numpy.array - фабричная функция, удобный способ создавать ndarray объекты.
Если dtype не указан - считается минимально необходимый. Т.е. если все ячейки целые - будет целый тип. Если среди них есть float - float. Попадется complex - тип ячейки будет комплексный.
При создании массива все ячейки преобразовываются к этому типу.
Присваивание ячейки тип массива не изменяет. Если ячейке целого массива присваивается число с плавающей точкой, оно сначала преобразуется к целому типу, что вы и видите.
При создании нового массива его тип вычисляется заново.
m + 0.3 создает новый массив. float перекрывает int, поэтому тип ячейки этого массива будет float.
Дальше считаем содержимое, складывая в данном случае.

Никакой магии.

Отредактировано (Май 9, 2010 00:05:44)

Спасибо, больне-менее понятно, просто сбило с толку то, что например имея список где каждый элемент int мы получаем:

>>> lst = [1,2,3,4]
>>> lst[1] = lst[1] + 0.3
>>> lst
[1, 2.2999999999999998, 3, 4]
>>> type(lst[0])
<type 'int'>
>>> 
>>> type(lst[1])
<type 'float'>
>>>

list - гетерогенный контейнер. Если по русски, то каждый элемент списка может иметь свой собственный тип.
Массивы же в numpy имеют один тип на все ячейки.
Кстати, можно писать numpy.array(, float) чтобы обойти ваше затруднение.

Андрей Светлов
Присваивание ячейки тип массива не изменяет. Если ячейке целого массива присваивается число с плавающей точкой, оно сначала преобразуется к целому типу, что вы и видите.
Никакой магии.

Андрей Светлов
Массивы же в numpy имеют один тип на все ячейки.

Отредактировано (Май 9, 2010 14:28:47)

Пожалуйста.
Такое поведение - цена скорости при цифровых операциях.