我刚刚用这个数据帧测试了一个统计算法:
d1=pd.DataFrame([[0.1,0.2],[0.3,0.4],[0.5,0.6],[0.7,0.8],[0.9,0.81],[0.91,0.82],[0.93,0.94],[0.95,0.96],[0.97,0.98],[0.99,1]])
回顾:
d1.iloc[0,1]
产生0.20000000000000001
d1.iloc[2,1]
产生0.59999999999999998
表演
d1=pd.DataFrame([[0.1,0.2],[0.3,0.4],[0.5,0.6],[0.7,0.8],[0.9,0.81],[0.91,0.82],[0.93,0.94],[0.95,0.96],[0.97,0.98],[0.99,1]]).astype(np.float)
或者
d1=pd.DataFrame([[0.1,0.2],[0.3,0.4],[0.5,0.6],[0.7,0.8],[0.9,0.81],[0.91,0.82],[0.93,0.94],[0.95,0.96],[0.97,0.98],[0.99,1]], dtype=np.float)
不会改变结果
另一方面,b=np.float(0.2)
和c=np.float(0.6)
在调用时给出正确的值。你知道吗
我遗漏了什么还是熊猫的数据管理真的有问题?这对我来说非常重要,因为我需要精确的数据。你知道吗
谢谢
使用
np.array
而不是熊猫,比较一个元素的显示:当显示完整的64时,我们会看到额外的非零值在末尾关闭,但是对于short 32类型,我们没有看到
这与沃伦在评论中提供的信息相同。你知道吗
相关问题 更多 >
编程相关推荐