Приведение Python из длинного во время добавления к массиву numpy
Почему Python не преобразует длинные числа в numpy float при выполнении sth. как
a = np.array([10.0, 56.0]) + long(10**47)
Тип d переменной a - object. Я не ожидал этого, когда во время задачи оптимизации максимального правдоподобия один параметр соответствия B был целым числом и, таким образом, 10 ** B стало длинным.
Это из-за боязни потери точности?
@ user545424 Я удалил свой комментарий, когда заметил свою ошибку. :)
Просто любопытно, вы сводите к минимуму вероятность отрицательного журнала? С такой минимизацией часто помогает работа в пространстве журнала, чтобы избежать очень больших / малых значений. Например, чтобы вычислить вероятность наблюдения 10 событий на гистограмме с ожидаемым средним значением 2, вы можете наивно вычислить np.exp(-2)*2**10/factorial(10), но если вы работаете в пространстве журнала, это становится -2 + 10*2 - lnfact(10).
Ответы 1
Я подозреваю, что это связано с тем, что python может хранить произвольно длинные целые числа, и поэтому numpy понимает, что он не может безопасно привести результат к известному типу данных. Следовательно, он возвращается к обработке массива как массива объектов Python и поэлементно умножается с использованием правил Python (которые преобразуются в число с плавающей запятой).
Вы можете увидеть тип результата, используя np.result_type:
>>> np.result_type(np.array([10.0, 56.0],long(10**47))
dtype('O')
Исходя из документации для np.result_type, происходит следующее:
Сначала на каждом из входов вызывается np.min_scalar_type():
>>> np.min_scalar_type(np.array([10.0, 56.0]))
dtype('float64')
>>> np.min_scalar_type(long(10**47))
dtype('O')
Во-вторых, результат определяется путем объединения этих типов с помощью np.promote_types:
>>> np.promote_types(np.float64,np.dtype('O'))
dtype('O')
@JanChristophTerasa, по-видимому, нет. По крайней мере, с Python 2.7.10 я получаю
array([1e+47, 1e+47], dtype=object), поэтому numpy конвертирует объекты в объекты python.