python-3.x - 检查 numpy 数组中的类型

Question

我有不同类型的数据。其中大多数是int，有时是float。 int 的大小不同，因此大小为 8/16/32 位。
对于这种情况，我正在创建一个数字类型转换器。因此我使用 isinstence() 检查类型。这是因为我读到 isinstance() 比 type() 更糟糕。

重点是我得到的很多数据都是 numpy 数组。我使用spyder作为IDE，然后我看到变量也是一种类型。但是当我输入 isinstance(var,'type i read') 时，我得到 False。

我做了一些检查:

a = 2.17 
b = 3 
c = np.array(np.random.rand(2, 8))
d = np.array([1])

因为有isinstance(var,type)我得到:

isinstance(a, float)
True
isinstance(b, int)
True
isinstance(c, float)  # or isinstance(c, np.float64)
False
isinstance(d, int)  # or isinstance(c, np.int32)
False

c 和 d 当我询问时为 True

isinstance(c, np.ndarray)
True
isinstance(d, np.ndarray)
True

我可以通过

检查 ndarray 中的步骤

isinstance(c[i][j], np.float64)
True
isinstance(d[i], np.int32)
True

但这意味着对于每个维度我都必须添加一个新索引，否则它又是False。我可以使用 dtype 检查类型，例如 c.dtype == 'float64'...

好吧，对于我所发现和尝试过的......我的问题基本上是:

• 与 isinstance() 和 type() 相比，var.dtype 方法如何(最差/更好等)？
• 如果 var.dtype 比 isinstance() 更糟糕，isinstance() 中是否有一些方法不需要所有手动索引？ (自动索引等)？

Answer 1

数组是np.ndarray类型的对象。它的值或元素存储在数据缓冲区中，可以将其视为连续的内存字节 block 。数据缓冲区中的字节没有类型，因为它们不是 Python 对象。

该数组有一个dtype参数，用于解释这些字节。如果dtype是int32(有各种同义词)，则4个字节被解释为整数。访问一个元素，例如 c[0] 会给出一个取决于 dtype 的新对象，例如对象类型 np.int32。

c[0].item 将给出相应类型的 Python 对象:

In [2102]: c=np.array([1])
In [2103]: c.dtype
Out[2103]: dtype('int32')
In [2104]: type(c)
Out[2104]: numpy.ndarray
In [2105]: type(c[0])
Out[2105]: numpy.int32
In [2107]: c[0].item()
Out[2107]: 1
In [2108]: type(c[0].item())
Out[2108]: int

(c[0].dtype 与 c.dtype 相同；您不需要索引数组的各个元素来检查其 dtype )。

该数组的相同 4 个字节可以被视为 dtype int8 - 一个单字节整数。

In [2112]: c.view('b')
Out[2112]: array([1, 0, 0, 0], dtype=int8)

这个备用 View 的单个元素是np.int8，但是当我使用item()时，我得到一个Python整数。没有 int8 Python 数字类型。

In [2113]: type(c.view('b')[0])
Out[2113]: numpy.int8
In [2115]: type(c.view('b')[0].item())
Out[2115]: int

列表包含指向 Python 对象的指针，每个对象都有一个类型。 dtype=object 数组也是如此。但常见的数值数组不包含Python整数或 float 。它有一个数据缓冲区，可以根据dtype以各种方式解释。 Python 整数的大小没有不同，至少与 numpy 数据类型的大小不同。

因此，isinstance 和 type() 内容不适用于 ndarray 的内容。

====================

根据我收集的评论，您正在尝试将整数数组转换为 float 。您没有转换标量。如果是这样，那么 dtype 才是最重要的；数组总是有一个dtype。目前尚不清楚您是否可以将 np.float32 转换为 np.float64。

我建议学习并尝试 np.can_cast 函数和 x.astype 方法。

x.astype(np.float64, copy=False)

例如，

会将所有 int 数据类型转换为 float，而不复制已经是 float64 的数据类型。它可以复制和转换np.float32。

另请查看这些函数的casting 参数。

============================

我在scipy.optimize.minimize中发现了另一个测试工具

In [156]: np.typecodes
Out[156]: 
{'All': '?bhilqpBHILQPefdgFDGSUVOMm',
 'AllFloat': 'efdgFDG',
 'AllInteger': 'bBhHiIlLqQpP',
 'Character': 'c',
 'Complex': 'FDG',
 'Datetime': 'Mm',
 'Float': 'efdg',
 'Integer': 'bhilqp',
 'UnsignedInteger': 'BHILQP'}

它可用于检查整数:

if x0.dtype.kind in np.typecodes["AllInteger"]:
    x0 = np.asarray(x0, dtype=float)