当我使用np.zeros(len(x))和np.zeros_like(x)时，我的代码的行为不同
用np.zeros(len(x))，我得到了正确的答案：
def discount_cumsum(x: np.ndarray, d):
# if i use the following line, it works
y = np.zeros(len(x))
y[-1] = x[-1]
for i in range(len(x) - 2, -1, -1):
y[i] = x[i] + d * y[i + 1]
return y
discount_cumsum(range(5), 0.5) # array([1.625, 3.25 , 4.5 , 5. , 4. ])字符串
切换到np.zeros_like(x)给出了错误的答案：
def discount_cumsum_2(x: np.ndarray, d):
# if i use the following line, it doesn't work
y = np.zeros_like(x)
y[-1] = x[-1]
for i in range(len(x) - 2, -1, -1):
y[i] = x[i] + d * y[i + 1]
return y
discount_cumsum_2(range(5), 0.5) # array([1, 3, 4, 5, 4])型
我期望np.zeros_like(x)和np.zeros(len(x))得到给予相同的结果。为什么我得到不同的结果？
对于任何感兴趣的人来说，这就是我一开始想要的。
@numba.njit
def discount_cumsum(x: np.ndarray, d):
y = x.copy().astype(np.float32)
for i in range(len(y) - 2, -1, -1):
y[i] += d * y[i + 1]
return y型
1条答案
按热度按时间8iwquhpp1#
np.zeros_like给你一个零数组，它和参数1有 * 相同的dtype*。当你传递它range(5)时，zeros_like创建一个ints的数组。这是与np.zeros(len(x))的关键区别，它给你一个floats的数组，它的长度和x相同。字符串
因为你的函数现在有
y作为一个 integers 数组，对它的任何操作都是整数操作，如果你有一个浮点数组，你会失去任何精度。如果你想强制
y始终是一个浮点数组，你可以这样做：型
或者，您可以将
np.zeros与x.shape一起使用（当然，您必须首先确保x是numpy数组）：型
1如果参数不是
np.ndarray（因此没有dtype），在使用它的dtype创建零数组之前，它被转换为np.ndarray。在@tdelaney评论的示例中，np.zeros_like([1, 2.1, 'three'])首先将[1, 2.1, 'three']转换为array(['1', '2.1', 'three'], dtype='<U32')，然后返回dtype='<U32'的“零”数组（即空字符串）