In [1]: import numpy as np
In [2]: big = np.array([10**100, 10**101, 10**102], dtype='object')
In [3]: big
Out[3]:
array([ 10000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000,
100000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000,
1000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000], dtype=object)
In [4]: big + np.array([1, 2, 3])
Out[4]:
array([ 10000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000001,
100000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000002,
1000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000003], dtype=object)
不是特别的,不是。您可以用
dtype='object'
创建一个数组,它创建一个Python对象数组(包括但不限于int)。这将为您提供许多类似于Numpy阵列的功能,但几乎没有性能优势。也就是说,在内存性能方面,Python对象数组与Python没有显著的不同。不过,如果必须使用bigint,那么最好还是使用
list
,因为您仍然可以获得按元素进行的算术操作,包括使用其他Numpy数组进行操作时。例如:不过,我自己从未使用过这种功能,所以我不完全确定还会出现什么其他令人惊讶的限制。
相关问题 更多 >
编程相关推荐