Miscellaneous¶

IEEE 754 Floating Point Special Values¶

在numpy中定义的特殊值：nan，inf，

NaNs可以用作穷人的面具（如果你不在乎原来的价值是什么）

注意：不能使用等号来测试NaN。例如。：

>>> myarr = np.array([1., 0., np.nan, 3.])
>>> np.where(myarr == np.nan)
>>> 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.])

其他相关特殊功能：

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

以下对应于通常的功能，除了从结果中排除nans：

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

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

How numpy handles numerical exceptions¶

The default is to 'warn' for invalid, divide, and overflow and 'ignore' for underflow. 但是这可以更改，并且可以针对不同种类的异常单独设置。不同的行为是：

'ignore'：当异常发生时不采取任何行动。

'warn'：打印RuntimeWarning（通过Python warnings模块）。

'raise'：提高FloatingPointError。

'call'：使用seterrcall函数调用指定的函数。

'print'：直接向stdout打印警告。

'log'：在由seterrcall指定的Log对象中记录错误。

这些行为可以为各种错误或特定的错误设置：

all：适用于所有数字异常

invalid：生成NaN时

divide：除以零（整数也是！）

overflow：浮点溢出

underflow：浮点下溢

注意，整数除以零由同一机器处理。这些行为是基于每个线程设置的。

Examples¶

>>> 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

Interfacing to C¶

只有对选择的调查。关于每个工作的细节。

裸金属，手动包装您自己的C代码。

拼图：

高效

对其他工具没有依赖

减号：

许多学习开销：

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和爱它。

参考计数往往很难得到正确。

得到它错误导致内存泄漏，更糟糕，segfaults

API将为Python 3.0改变！

Cython

拼图：

避免学习C API

没有处理引用计数

可以在伪python中编码并生成C代码

也可以接口到现有的C代码

应该屏蔽你对Python C api的改变

已经成为科学Python社区中的事实上的标准

对数组的快速索引支持

减号：

可以以非标准形式编写可能过时的代码

没有手动包装那么灵活

ctypes

拼图：
Python标准库的一部分

适用于连接到现有的共享库，特别是Windows DLL

避免API /引用计数问题
良好的numpy支持：数组具有所有这些在其ctypes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
减号：

不能用于编写代码转换成C扩展，只有一个包装工具。

SWIG（自动包装机）

拼图：

大约很长时间

多脚本语言支持

C ++支持

适用于包装大型（许多函数）现有的C库

减号：

在Python和C代码之间生成大量代码

可能导致几乎不可能优化的性能问题

接口文件可能很难写

不一定避免引用计数问题或需要知道API的

scipy.weave

拼图：

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，并编织提取，生成接口和编译等。

减号：

未来非常不确定：它是Scipy的唯一一部分，不移植到Python 3，并且有效地弃用了Cython。

Psyco

拼图：

通过类似jit的优化将纯python变成高效的机器代码

非常快，当它优化好

减号：

只有在intel（windows？）

对numpy不做多少？

Interfacing to Fortran:¶

包装Fortran代码的明确选择是f2py。

Pyfort是一个旧的替代品，但不再支持。Fwrap是一个较新的项目，看起来很有希望，但是不再开发。

Interfacing to C++:¶

Cython

CXX

Boost.python

SWIG

SIP（主要用于PyQT）

目录

上一主题

下一主题