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 C++:¶
- Cython
- CXX
- Boost.python
- SWIG
- SIP(主要用于PyQT)