Неожиданных Numpy/Py3k правила принуждения

Question

Я искал ошибки в программе, и я обнаружил, что он был произведен неожиданным поведением от Numpy ...

При выполнении, например, простой арифметической операции на разном целочисленные типы, использующие Python3k и Numpy, как

(numpy.uint64) + (INT)

результат это ... numpy.float64

Вот пример:

v = numpy.array([10**16+1], dtype=numpy.uint64) 
print(v[0]) 
v[0] += 1 
print(v[0]) 

Он производит следующий результат:

10000000000000001 
10000000000000000 

который может быть весьма неожиданным, когда вы имеете дело с целыми числами, чтобы избежать ошибок округления ...

выше «проблема» легко может быть решена заменив 1 на numpy.uint64 (1), но я вижу много ошибок, исходящих из этого. Каковы правила и логика этой ситуации? Есть ли какая-либо документация о том, как в таком случае делаются принуждения? Я не мог найти его.

Раньше я думал, что вы могли бы иметь некоторое представление о принуждение с помощью .item(), но это еще больше вводит в заблуждение:

v = numpy.array([10**16+1], dtype=numpy.uint64) 
print(type(v[0].item())) 
v[0] = v[0].item() + 1 
print(v[0]) 

производит

<class 'int'> 
10000000000000001 
10000000000000002 

Так .item() преобразует numpy.uint64 в int, и если вы явно используете его в арифметической операции, он работает.

Я удивлен (но мне не хватает Numpy опыта, я думаю), что, когда 'а' соответствует Numpy конкретной DTYPE,

a.item() + 1 

и

a + 1 

не дают те же результаты ... и, таким образом, дают разные результаты при преобразовании обратно в numpy dtype.

(Используемая среда - это современное распределение Pyzo через IEP, если это имеет значение. Обычно я использую Python 2, но мне пришлось сделать пару тестов в Py3k, и это был удобный способ сделать . это)

Answer 1

Как было отмечено выше:

отлично работает с:

dtype=np.int64 

вместо:

dtype=np.uint64 

как для python 2, так и 3, numpy 1.6 и 1.9.

Просто используйте:

np.int64 

нет никаких оснований для использования uint64, переполненные в 2⁶⁴ - 1 или 2⁶³ - 1 довольно много то же самое для всех практических целей.

Список литературы

• numpy Issue #5745: uint64 converted silently to float64 when adding an int