Разное

Специальные значения чисел с плавающей точкой IEEE 754

Специальные значения, определённые в numpy: nan, inf,

NaN можно использовать как маску (если неважно, каким было исходное значение)

Примечание: нельзя использовать равенство для проверки NaN. Например:

>>> myarr = np.array([1., 0., np.nan, 3.])
>>> np.nonzero(myarr == np.nan)
(array([], dtype=int64),)
>>> np.nan == np.nan  # is always False! Use special numpy functions instead.
False
>>> myarr[myarr == np.nan] = 0. # doesn't work
>>> myarr
array([  1.,   0.,  NaN,   3.])
>>> myarr[np.isnan(myarr)] = 0. # use this instead find
>>> myarr
array([ 1.,  0.,  0.,  3.])

Другие связанные функции специальных значений:

isinf():    True if value is inf
isfinite(): True if not nan or inf
nan_to_num(): Map nan to 0, inf to max float, -inf to min float

Следующие функции соответствуют обычным функциям, за исключением того, что значения nan исключаются из результатов:

nansum()
nanmax()
nanmin()
nanargmax()
nanargmin()

>>> x = np.arange(10.)
>>> x[3] = np.nan
>>> x.sum()
nan
>>> np.nansum(x)
42.0

Как numpy обрабатывает числовые исключения

По умолчанию 'warn' для invalid, divide, и overflow и 'ignore' для underflow. Но это можно изменить, и это можно установить индивидуально для разных типов исключений. Разные варианты поведения:

• ‘ignore’ : Не предпринимать никаких действий при возникновении исключения.
• ‘warn’ : Вывести RuntimeWarning (через модуль Python warnings).
• ‘raise’ : Вызвать FloatingPointError.
• ‘call’ : Вызвать функцию, заданную с помощью функции seterrcall.
• ‘print’ : Вывести предупреждение напрямую в stdout.
• ‘log’ : Записать ошибку в объект журнала, заданный seterrcall.

Эти варианты поведения могут быть заданы для всех типов ошибок или для конкретных:

• all : применяется ко всем числовым исключениям
• invalid : при генерации NaN
• divide : деление на ноль (для целых чисел тоже!)
• overflow : переполнение чисел с плавающей точкой
• underflow : подпотоки чисел с плавающей точкой

Обратите внимание, что деление на ноль целых чисел обрабатывается той же механикой. Эти варианты поведения устанавливаются на основе потока.

Примеры

>>> oldsettings = np.seterr(all='warn')
>>> np.zeros(5,dtype=np.float32)/0.
invalid value encountered in divide
>>> j = np.seterr(under='ignore')
>>> np.array([1.e-100])**10
>>> j = np.seterr(invalid='raise')
>>> np.sqrt(np.array([-1.]))
FloatingPointError: invalid value encountered in sqrt
>>> def errorhandler(errstr, errflag):
...      print("saw stupid error!")
>>> np.seterrcall(errorhandler)
<function err_handler at 0x...>
>>> j = np.seterr(all='call')
>>> np.zeros(5, dtype=np.int32)/0
FloatingPointError: invalid value encountered in divide
saw stupid error!
>>> j = np.seterr(**oldsettings) # restore previous
...                              # error-handling settings

Взаимодействие с C

Только обзор вариантов. Мало подробностей о том, как каждый работает.

1. Непосредственный код, вручную оберните собственный код C.

• Плюсы:

  • Эффективность
  • Нет зависимостей от других инструментов

• Минусы:

  • Много накладных расходов обучения:

    • нужно изучить основы API Python C
    • нужно изучить основы API numpy C
    • нужно изучить, как обрабатывать счётчик ссылок и любить его.

  • Счётчик ссылок часто сложно реализовать правильно.

    • ошибки в реализации приводят к утечкам памяти и, что ещё хуже, к ошибкам сегментации
  • API изменится для Python 3.0!

2. Cython

• Плюсы:

  • избегайте изучения API C
  • не нужно заниматься подсчётом ссылок
  • можно писать код в псевдо-Python и генерировать код C
  • также можно взаимодействовать с существующим кодом C
  • должно защитить вас от изменений в API Python C
  • стал фактическим стандартом в научном сообществе Python
  • быстрая поддержка индексирования массивов

• Минусы:

  • Можно писать код в нестандартном формате, который может устареть
  • Не так гибко, как ручная обёртка

3. ctypes

• Плюсы:

  • часть стандартной библиотеки Python
  • хорошо подходит для взаимодействия с существующими разделяемыми библиотеками, особенно с DLL Windows
  • избегает проблем с API/счётчиком ссылок

  • хорошая поддержка numpy: у массивов есть всё это в их атрибуте ctypes:

    a.ctypes.data              a.ctypes.get_strides
    a.ctypes.data_as           a.ctypes.shape
    a.ctypes.get_as_parameter  a.ctypes.shape_as
    a.ctypes.get_data          a.ctypes.strides
    a.ctypes.get_shape         a.ctypes.strides_as
    

• Минусы:

  • нельзя использовать для написания кода, который будет преобразован в C-расширения, только инструмент обертки.

4. SWIG (автоматический генератор обёрток)

• Плюсы:

  • существует давно
  • поддержка нескольких языков сценариев
  • поддержка C++
  • Хорош для обертывания больших (множество функций) существующих библиотек C

• Минусы:

  • генерирует много кода между Python и кодом C
  • может вызывать проблемы с производительностью, которые практически невозможно оптимизировать
  • файлы интерфейса могут быть трудно написать
  • не обязательно избегает проблем со счётчиком ссылок или необходимости знать API

5. scipy.weave

• Плюсы:

  • может преобразовать многие выражения numpy в код C
  • динамическая компиляция и загрузка сгенерированного кода C
  • можно встраивать чистый код C в модуль Python, и weave будет извлекать, генерировать интерфейсы и компилировать и т.д.

• Минусы:

  • Будущее очень неопределённо: это единственная часть Scipy, не портированная в Python 3, и фактически устарела в пользу Cython.

6. Psyco

• Плюсы:

  • Преобразует чистый Python в эффективный машинный код с помощью оптимизаций типа jit
  • очень быстро, когда оптимизируется хорошо

• Минусы:

  • Только на intel (windows?)
  • Не делает много для numpy?

Взаимодействие с Fortran:

Явным выбором для обертки кода Fortran является f2py.

Pyfort — более старая альтернатива, но больше не поддерживается. Fwrap — более новый проект, который выглядел многообещающим, но больше не развивается.

Взаимодействие с C++:

1. Cython
2. CXX
3. Boost.python
4. SWIG
5. SIP (используется в основном в PyQT)