分配给数组会更改数据类型

Question

我有一个多维数组，其中包含需要标准化为0-1范围的灰度整数值。 更准确地说，所讨论的多维数组是一个数组，其中每个元素都包含表示特定图像的矩阵，并且这些矩阵（图像）中的每个矩阵（图像）都包含图像的像素，其整数值在0-255之间

以下是标准化函数：

def normalize(x, mmin=0.0, mmax=255.0):
    x = (x - mmin )/(mmax - mmin + 10**(-5))

    return x

右：在主模块中，我以以下方式应用该功能：

trainingSet_Images = myUtils.normalize(trainingSet_Images)

结果是一个带有浮点值的矩阵数组

错误：但以这种方式应用normalize()函数：

for i in range(len(trainingSet_Images)):
   trainingSet_Images[i] = myUtils.normalize(trainingSet_Images[i])

训练集图像的所有元素都是一个具有零值的整数矩阵

Python似乎记住了原始类型的矩阵——但为什么第一种赋值方法有效而第二种方法无效

Answer 1

这是因为，通过像在第二个方法中那样重新分配给数组，执行规范化（将是一个float）得到的dtype会向下转换到数组dtpye，因此它会被覆盖

文件的Assigning values to indexed arrays部分提到了这一点，其中指出：

Note that assignments may result in changes if assigning higher types to lower types (like floats to ints) or even exceptions (assigning complex to floats or ints)

---

下面是一个从应用normalize函数的结果返回的示例：

a = np.array([[255,255,255],[0,255,255]])

normalize(a)
array([[0.99999996, 0.99999996, 0.99999996],
       [0.        , 0.99999996, 0.99999996]])

而在第二种方法中：

normalize(a[1])
# array([0.        , 0.99999996, 0.99999996])

a[1] = normalize(a[1])

print(a)
array([[255, 255, 255],
       [  0,   0,   0]])

如果您执行以下操作，则同样适用：

a[:] = normalize(a)

print(a)
array([[0, 0, 0],
       [0, 0, 0]])