Numpy数组精度,如何克服与搜索另一个数组有关的问题
我有一个numpy程序,我需要从数组a的和中找到数组B中某个值的索引,不幸的是,numpy数组的精度问题给了我一个问题:( A=数组([0.1,0.1,0.1,0.1,0.1])Numpy数组精度,如何克服与搜索另一个数组有关的问题,numpy,sum,Numpy,Sum,我有一个numpy程序,我需要从数组a的和中找到数组B中某个值的索引,不幸的是,numpy数组的精度问题给了我一个问题:( A=数组([0.1,0.1,0.1,0.1,0.1]) B=数组([0.1,0.2,0.3,0.4,0.5]) B==0.3 数组([False,False,True,False,False],dtype=bool) B==和(A[:3]) 数组([False,False,False,False,False],dtype=bool) B==和(A[:2]) 数组([Fals
B=数组([0.1,0.2,0.3,0.4,0.5]) B==0.3
数组([False,False,True,False,False],dtype=bool) B==和(A[:3])
数组([False,False,False,False,False],dtype=bool) B==和(A[:2])
数组([False,True,False,False,False],dtype=bool) 总和(A[:2])
200000000001 总和(A[:2])
300000000000000004 如何确保在数组B中找到数组A的精确和的值 致意
Termo您只是看到了浮点运算的效果。(如果使用python列表而不是numpy数组,情况也是如此。) 事实上,我很惊讶numpy中没有内置函数来进行浮点“关闭”比较…有
numpy.allclose
用于比较两个numpy数组,但它只返回True
或False
,而不是布尔数组
一般来说,这样做实际上有点棘手。inf
将抛出误报和漏报。此外,用inf
或nan
减去两个数组将发出警告,因此我们通常希望避免这样做
import numpy as np
def close(a, b, rtol=1.e-5, atol=1.e-8, check_invalid=True):
"""Similar to numpy.allclose, but returns a boolean array.
See numpy.allclose for an explanation of *rtol* and *atol*."""
def within_tol(x, y, atol, rtol):
return np.less_equal(np.abs(x-y), atol + rtol * np.abs(y))
x = np.array(a, copy=False)
y = np.array(b, copy=False)
if not check_invalid:
return within_tol(x, y, atol, rtol)
xfin = np.isfinite(x)
yfin = np.isfinite(y)
if np.all(xfin) and np.all(yfin):
return within_tol(x, y, atol, rtol)
else:
# Avoid subtraction with infinite/nan values...
cond = np.zeros(np.broadcast(x, y).shape, dtype=np.bool)
mask = xfin & yfin
cond[mask] = within_tol(x[mask], y[mask], atol, rtol)
# Inf and -Inf equality...
cond[~mask] = (x[~mask] == y[~mask])
# NaN equality...
cond[np.isnan(x) & np.isnan(y)] = True
return cond
# A few quick tests...
assert np.any(close(0.300001, np.array([0.1, 0.2, 0.3, 0.4])))
x = np.array([0.1, np.nan, np.inf, -np.inf])
y = np.array([0.1000001, np.nan, np.inf, -np.inf])
assert np.all(close(x, y))
x = np.array([0.1, 0.2, np.inf])
y = np.array([0.101, np.nan, 0.2])
assert not np.all(close(x, y))
您只是看到了浮点运算的效果(如果使用python列表而不是numpy数组,情况也是如此) 事实上,我很惊讶numpy中没有内置函数来进行浮点“关闭”比较…有
numpy.allclose
用于比较两个numpy数组,但它只返回True
或False
,而不是布尔数组
一般来说,这样做实际上有点棘手。inf
将抛出误报和漏报。此外,用inf
或nan
减去两个数组将发出警告,因此我们通常希望避免这样做
import numpy as np
def close(a, b, rtol=1.e-5, atol=1.e-8, check_invalid=True):
"""Similar to numpy.allclose, but returns a boolean array.
See numpy.allclose for an explanation of *rtol* and *atol*."""
def within_tol(x, y, atol, rtol):
return np.less_equal(np.abs(x-y), atol + rtol * np.abs(y))
x = np.array(a, copy=False)
y = np.array(b, copy=False)
if not check_invalid:
return within_tol(x, y, atol, rtol)
xfin = np.isfinite(x)
yfin = np.isfinite(y)
if np.all(xfin) and np.all(yfin):
return within_tol(x, y, atol, rtol)
else:
# Avoid subtraction with infinite/nan values...
cond = np.zeros(np.broadcast(x, y).shape, dtype=np.bool)
mask = xfin & yfin
cond[mask] = within_tol(x[mask], y[mask], atol, rtol)
# Inf and -Inf equality...
cond[~mask] = (x[~mask] == y[~mask])
# NaN equality...
cond[np.isnan(x) & np.isnan(y)] = True
return cond
# A few quick tests...
assert np.any(close(0.300001, np.array([0.1, 0.2, 0.3, 0.4])))
x = np.array([0.1, np.nan, np.inf, -np.inf])
y = np.array([0.1000001, np.nan, np.inf, -np.inf])
assert np.all(close(x, y))
x = np.array([0.1, 0.2, np.inf])
y = np.array([0.101, np.nan, 0.2])
assert not np.all(close(x, y))
值得一提的是,这是浮点运算的普遍事实。python列表与numpy数组没有什么不同。基本上,不要使用
=
测试浮点相等性。使用B中的值和在B中进行二进制搜索,然后比较在B与A的总和。您需要两次检查B中的两个值,因为总和可能略高于或低于B中的所需值。仅供参考:将有一个numpy.isclose()
函数在1.7
中。不管它值多少钱,这是浮点运算的普遍事实。python列表和numpy数组没有什么不同。基本上,不要使用==
测试浮点相等性。用B中的值和在B中进行二进制搜索,然后比较B中的绝对值在B中找到的值与A中的和的差值。您需要两次检查B中的两个值,因为总和可能略高于或低于B中的所需值。仅供参考:在1.7
中将有一个numpy.isclose()
函数。我不知道它是何时引入的,但numpy1.17有一个np.isclose()
函数返回一个布尔数组。上面的文档是。我不知道它是什么时候引入的,但是numpy1.17有一个np.isclose()
函数返回一个布尔数组。上面的文档是。