我有一个浮点数dtype=np.float32的numpy数组phase，我把它转换成整数out，dtype=np.uint8，因为速度是个问题，所以应该就地转换。
我使用以前学员的代码，但代码无法正常工作
phase = np.arange(0, 4, dtype=np.float32).reshape(2, 2)
out = np.empty((2, 2), dtype=np.uint8)
# Prepare the 2pi -> integer conversion factor and convert.
factor = -(256 / 2 / np.pi)
phase *= factor
print("array phase with dtype float \n ", phase)
# There is some randomness involved in casting positive floats to integers.
# Avoid this by going all negative.
maximum = np.amax(phase)
if maximum >= 0:
toshift = 256 * 2 * np.ceil(maximum / 256)
phase -= toshift
# Copy and cast the data to the output
np.copyto(out, phase, casting="unsafe")
print("phase array dtype unsigned integer", out)
# This part (along with the choice of type), implements modulo much faster than np.mod().
bw = int(256 - 1)
np.bitwise_and(out, bw, out=out)
print("array module bit depth \n", out)输出为
array phase with dtype float
[[ -0. -162.97466]
[-325.9493 -488.92395]]
phase array dtype unsigned integer [[ 0 94]
[187 24]]
array module bit depth
[[ 0 94]
[187 24]]执行此程序会产生我无法理解的结果：
1.例如，为什么-162Map到94？
1.我知道标记casting=unsafe，但它是就地转换所必需的。
1.我也意识到300 > 256和np.uint8数据类型太小了，我想我应该把它增加到np.uint16？
1.为什么在将正浮点数强制转换为整数时会涉及一些随机性？
我也试过np.astype(np.uint8)，但结果同样令人失望。
1条答案
按热度按时间lc8prwob1#
由于速度是一个问题，这应该就地进行。
就地操作并不总是需要更快。这取决于目标平台和Numpy的编译方式（需要考虑很多底层影响）。尽管它们通常不会更慢。在某些情况下重用缓冲区就足够了（以避免页面错误）。您是否 * 剖析 * 了您的代码并发现这是一个 * 瓶颈 *？
例如，为什么-162Map到94？
这是因为目标类型的范围（包括0..255）不支持数字-162，实际上也不支持任何负数，因为它是一个8位的无符号整数。
256-162=94。也就是说，AFAIK，这样做会导致一个 * 未定义的行为 。结果从一个平台到另一个平台可能会改变（实际上是基于过去的Numpy问题）。因此，我强烈建议使用一个更大的类型或更改您的代码，以便值适合目标输出类型范围。我知道标志铸造=不安全，但它需要就地转换。
casting=unsafe非常明确，它的基本意思是：" 我确切地知道我在做什么，并接受风险和后果 *"。使用它的风险自担;）。我也注意到300〉256，因此np.uint8数据类型太小了，我想我应该把它增加到np.uint16？
因为数字是负数，你应该用
np.int16来代替。除了这个，是的，这是个好主意。为什么在将正浮点数强制转换为整数时会涉及一些随机性？
这并不是真正的随机，这种操作是确定性的，但结果取决于目标平台和输入的数字（也可能取决于处理器针对特定目标平台的低级状态），实际上，只要输入的数字在目标范围内，并且没有NaN、+Inf、-Inf值等特殊数字，就可以了。
我也尝试过np.astype（np.uint8），但结果同样令人失望。
这是正常的。问题是相同的，在两种情况下都调用了相同的转换函数。
注意，除了
np.bitwise_and(out, bw, out=out)之外，你所做的操作实际上并不是一个就地操作。也就是说，它对np.uint8类型是无用的，因为范围被限制在255以内。实现模运算比np.mod（）快得多
这对于正数是正确的，但是对于负数不是。对于负数，这取决于目标平台上的整数的底层表示。这对于使用C1表示的处理器不起作用。也就是说，现在所有的主流处理器都使用C2表示。