Python 在numpy中将负数舍入到零时，如何消除多余的减号？

我有一个关于

numpy

中的

fix

和

floor

函数的简单问题。 将大于-1的负数向零舍入时，

numpy

将其正确舍入为零，但会留下负号。此负号会干扰my Court unique_rows函数，因为它使用来比较数组的元素，并且此符号会干扰唯一性。在这方面，round和fix的行为相同

>>> np.fix(-1e-6)
Out[1]: array(-0.0)
>>> np.round(-1e-6)
Out[2]: -0.0

---

有没有关于如何摆脱这个标志的见解？我曾考虑过使用

np.sign

函数，但它会带来额外的计算成本。

我认为根本的问题是在浮点数上使用类似集合的运算——这是一个一般规则，除非你有很好的理由和对浮点数的深刻理解，否则要避免使用

遵循此规则的明显原因是，即使两个浮点寄存器之间的微小差异也是绝对差异，因此数值错误可能会导致类似集合的操作产生意外的结果。现在，在您的用例中，一开始似乎您通过首先取整避免了这个问题，从而限制了可能值的范围。但事实证明，意外的结果仍然是可能的，正如这个角落案例所示。浮点数很难解释

我认为正确的解决方法是先取整，然后使用

astype

转换为

int

>>> a
array([-0.5,  2. ,  0.2, -3. , -0.2])
>>> numpy.fix(a)
array([-0.,  2.,  0., -3., -0.])
>>> numpy.fix(a).astype(int)    # could also use 'i8', etc...
array([ 0,  2,  0, -3,  0])

因为您已经在舍入，所以这不应该丢弃任何信息，而且对于以后的set-like操作，它将更加稳定和可预测。这是最好使用正确抽象的情况之一

如果需要浮动，可以随时转换回。唯一的问题是它创建了另一个副本；但大多数时候，这并不是一个真正的问题

numpy

速度足够快，因此复制的开销非常小

---

我要补充一点，如果你的案例真的需要使用浮动，那么我们的答案是好的。但是我觉得真正需要浮点数和类似集合的操作的情况很少。

在

-0.

和

+0之间存在的问题。

是浮点数行为规范的一部分（IEEE754）。在某些情况下，人们需要这种区别。例如，请参见中链接到的文档

还值得注意的是，两个零应该比较为相等，所以

np.array(-0.)==np.array(+0.) 
# True

也就是说，我认为问题更可能在于您的独特性比较。例如：

a = np.array([-1., -0., 0., 1.])
np.unique(a)
#  array([-1., -0.,  1.])

如果要将数字保留为浮点，但所有零都相同，可以使用：

x = np.linspace(-2, 2, 6)
#  array([-2. , -1.2, -0.4,  0.4,  1.2,  2. ])
y = x.round()
#  array([-2., -1., -0.,  0.,  1.,  2.])
y[y==0.] = 0.
#  array([-2., -1.,  0.,  0.,  1.,  2.])

# or  
y += 0.
#  array([-2., -1.,  0.,  0.,  1.,  2.])    

不过，请注意，由于您试图避免使用浮点规范，因此确实需要做一些额外的工作

还请注意，这不是由于舍入错误造成的。比如说,

np.fix(np.array(-.4)).tostring().encode('hex')
# '0000000000000080'
np.fix(np.array(-0.)).tostring().encode('hex')
# '0000000000000080'

也就是说，结果数字完全相同，但是

np.fix(np.array(0.)).tostring().encode('hex')
# '0000000000000000'

这是不同的。这就是为什么您的方法不起作用的原因，因为它比较的是数字的二进制表示，这两个零是不同的。因此，我认为问题更多的是比较方法，而不是比较浮点数的唯一性

各种方法的快速timeit测试：

data0 = np.fix(4*np.random.rand(1000000,)-2)
#   [ 1. -0.  1. -0. -0.  1.  1.  0. -0. -0. .... ]

N = 100
data = np.array(data0)
print timeit.timeit("data += 0.", setup="from __main__ import np, data", number=N)
#  0.171831846237
data = np.array(data0)
print timeit.timeit("data[data==0.] = 0.", setup="from __main__ import np, data", number=N)
#  0.83500289917
data = np.array(data0)
print timeit.timeit("data.astype(np.int).astype(np.float)", setup="from __main__ import np, data", number=N)
#  0.843791007996

---

我同意@senderle的观点，如果你想要简单而准确的比较，并且可以使用int，int通常会更容易。但是，如果您想要独特的浮动，您也应该能够做到这一点，尽管您需要更加小心。浮点数的主要问题是，可以从计算中引入一些小的差异，这些差异不会出现在正常的

打印中，但这并不是一个巨大的障碍，尤其是在
轮、定、打印后，对于合理的浮点数范围，这不是一个障碍。
尝试将0.0添加到结果中。前面的问题是否相关？或添加0。输入：np.四舍五入（1e-6）+0。这只增加了很少的计算开销，从源头上解决了问题。我同意你的解决方案（so+1），但我认为原因是IEEE754标准规定
0.
和
-0.
不同（尽管它们应该比较相等）。@tom10，OP似乎意识到了这一点，你不这么认为吗？但这比你所说的还要复杂，因为我们特别讨论四舍五入。我不知道该标准在它定义的四个舍入规则中对有符号零规定了什么。想必
numpy
可以忽略这些规则，如果它愿意，只舍入到正零！我认为无论使用何种标准，这些问题都很难解决。我将删除我的评论，并写下我自己的答案。你在这里明确指出问题在于“数值误差”，我想说的是这不是问题所在。但我会在几分钟内删除这两条评论，以免弄乱局面。@tom10，我认为没有必要删除你的评论。我想我的答案不够清楚，但我并没有说问题出在数字错误上。我说过，问题是在类似集合的运算中使用浮点数——句点。我将重新措辞以澄清。我同意如果有必要坚持浮动，这是一个很好的方法。（我想知道它与Mark Ransom添加
0.0
的想法相比如何）此外，我认为正零和负零的出现是不同的，因为问题中链接的唯一性测试将数据转换为
np.void
。多亏了@Mark Ransom和@tom10。将0.0添加到
fix
或
round
命令的答案中，可以消除额外的负号，原因已在上面详述。解决了这个问题后，我能够为python编写一个函数来查找numpy数组中唯一的行，并可以选择接受精度(