使用指定数据类型值数组.dtypeNumPy数组中的=<data type>会产生不明确的结果

Question

我是新的编程和numpy。。。在阅读教程和在jupyter笔记本上做实验时。。。我考虑如下转换numpy数组的数据类型：

import numpy as np
c = np.random.rand(4)*10
print c
#Output1: [ 0.12757225  5.48992242  7.63139022  2.92746857]
c.dtype = int
print c
#Output2: [4593764294844833304 4617867121563982285 4620278199966380988 4613774491979221856]

我知道改变的正确方法是：

^{pr2}$

但我想知道Output2中那些模糊数字背后的原因。它们是什么？它们意味着什么？在

Answer 1

浮点和整数（numpy.float64s和numpy.int64s）在内存中的表示方式不同。存储在这些不同类型中的值42对应于存储器中的不同比特模式。在

当您重新分配数组的dtype属性时，您将保持底层数据不变，并告诉numpy以新的方式解释该位模式。因为现在的解释与数据的原始定义不匹配，所以最终会产生胡言乱语（无意义的数字）。在

另一方面，通过.astype()转换数组实际上会转换内存中的数据：

>>> import numpy as np
>>> arr = np.random.rand(3)
>>> arr.dtype
dtype('float64')
>>> arr
array([ 0.7258989 ,  0.56473195,  0.20885672])
>>> arr.data
<memory at 0x7f10d7061288>
>>> arr.dtype = np.int64
>>> arr.data
<memory at 0x7f10d7061348>
>>> arr
array([4604713535589390862, 4603261872765946451, 4596692876638008676])

正确转换：

^{pr2}$

如您所见，使用astype将有意义地转换数组的原始值，在本例中，它将截断为整数部分，并返回一个新数组，其中包含相应的值和dtype。在

注意，分配一个新的dtype不会触发任何检查，因此可以对数组执行非常奇怪的操作。在上面的示例中，64位浮点被重新解释为64位整数。但也可以更改位大小：

>>> arr = np.random.rand(3)
>>> arr.shape
(3,)
>>> arr.dtype
dtype('float64')
>>> arr.dtype = np.float32
>>> arr.shape
(6,)
>>> arr
array([  4.00690371e+35,   1.87285304e+00,   8.62005305e+13,
         1.33751166e+00,   7.17894062e+30,   1.81315207e+00], dtype=float32)

通过告诉numpy您的数据占用了原来一半的空间，numpy将推断您的数组有两倍多的元素！显然不是你想做的。在

---

另一个例子：考虑8位无符号整数255==2**8-1：它对应于二进制中的11111111。现在，尝试将其中两个数字重新解释为单个16位无符号整数：

>>> arr = np.array([255,255],dtype=np.uint8)
>>> arr.dtype = np.uint16
>>> arr
array([65535], dtype=uint16)

如您所见，结果是单数65535。如果这还不算什么，那就是2**16-1，在二进制模式中有16个1。两个完整的1模式被重新解释为一个16位数字，结果也相应地改变了。您经常看到更奇怪的数字的原因是，由于浮点数在内存中的表示方式，将浮点数重新解释为int（反之亦然）将导致更严重的数据混乱。在

---

作为hpaulj noted，您可以通过使用修改后的dtype构造一个新的数组^{}，直接执行对数据的这种重新解释。这可能比必须重新分配给定数组的dtype更有用，但是再次更改dtype只在非常罕见、非常特定的用例中有用。在