Jak rozpoznać typy numpy w Pythonie?

Jak można wiarygodnie określić, czy obiekt ma typ numpy?

Zdaję sobie sprawę, że to pytanie jest sprzeczne z filozofią pisania typu kaczego, ale chodzi o to, aby upewnić się, że funkcja (która używa scipy i numpy) nigdy nie zwraca typu numpy, chyba że zostanie wywołana typem numpy. To pojawia się w rozwiązaniu innego pytania, ale myślę, że ogólny problem określenia, czy obiekt ma typ numpy, jest na tyle daleki od pierwotnego pytania, że ​​należy je oddzielić.

Użyj typefunkcji wbudowanej, aby uzyskać typ, a następnie możesz użyć __module__właściwości, aby dowiedzieć się, gdzie został zdefiniowany:

>>> import numpy as np
a = np.array([1, 2, 3])
>>> type(a)
<type 'numpy.ndarray'>
>>> type(a).__module__
'numpy'
>>> type(a).__module__ == np.__name__
True

Rozwiązanie, które wymyśliłem, to:

isinstance(y, (np.ndarray, np.generic) )

Jednak to nie jest w 100% jasne, że wszystkie NumPy typy są gwarantowane być albo np.ndarrayalbo np.generic, i to chyba nie jest wersja wytrzymałe.

Stare pytanie, ale ostateczną odpowiedź wymyśliłem na przykładzie. Nie zaszkodzi zachować świeżość pytań, ponieważ miałem ten sam problem i nie znalazłem jasnej odpowiedzi. Najważniejsze jest, aby upewnić się, że numpyzaimportowałeś, a następnie uruchomić isinstancebool. Chociaż może się to wydawać proste, jeśli wykonujesz obliczenia na różnych typach danych, to małe sprawdzenie może służyć jako szybki test przed rozpoczęciem jakiejś numpy wektoryzowanej operacji.

##################
# important part!
##################

import numpy as np

####################
# toy array for demo
####################

arr = np.asarray(range(1,100,2))

########################
# The instance check
######################## 

isinstance(arr,np.ndarray)

To właściwie zależy od tego, czego szukasz.

• Jeśli chcesz sprawdzić, czy sekwencja jest rzeczywiście a ndarray, isinstance(..., np.ndarray)prawdopodobnie najłatwiejsza jest metoda a. Upewnij się, że nie ładujesz ponownie numpy w tle, ponieważ moduł może być inny, ale w przeciwnym razie powinno być OK. MaskedArrays, matrix, recarrayTo wszystkie podklasy ndarray, tak powinno być ustawione.
• Jeśli chcesz sprawdzić, czy skalar jest nieczułym skalarem, sprawy stają się nieco bardziej skomplikowane. Można sprawdzić, czy ma on shapea dtypeatrybut. Możesz porównać dtypeto z podstawowymi typami, których listę znajdziesz w np.core.numerictypes.genericTypeRank. Zwróć uwagę, że elementy tej listy to ciągi, więc musiałbyś wykonać tested.dtype is np.dtype(an_element_of_the_list)...

Aby uzyskać typ, użyj typefunkcji wbudowanej . Za pomocą inoperatora możesz sprawdzić, czy typ jest numpy, sprawdzając, czy zawiera ciąg numpy;

In [1]: import numpy as np

In [2]: a = np.array([1, 2, 3])

In [3]: type(a)
Out[3]: <type 'numpy.ndarray'>

In [4]: 'numpy' in str(type(a))
Out[4]: True

( Nawiasem mówiąc, ten przykład został uruchomiony w IPythonie . Bardzo przydatny do interaktywnego użytku i szybkich testów).

Zwróć uwagę, że type(numpy.ndarray)jest typesam w sobie i uważaj na typy logiczne i skalarne. Nie zniechęcaj się, jeśli nie jest to intuicyjne lub łatwe, na początku jest to ból.

Zobacz też: - https://docs.scipy.org/doc/numpy-1.15.1/reference/arrays.dtypes.html - https://github.com/machinalis/mypy-data/tree/master/numpy- mypy

>>> import numpy as np
>>> np.ndarray
<class 'numpy.ndarray'>
>>> type(np.ndarray)
<class 'type'>
>>> a = np.linspace(1,25)
>>> type(a)
<class 'numpy.ndarray'>
>>> type(a) == type(np.ndarray)
False
>>> type(a) == np.ndarray
True
>>> isinstance(a, np.ndarray)
True

Zabawa z wartościami logicznymi:

>>> b = a.astype('int32') == 11
>>> b[0]
False
>>> isinstance(b[0], bool)
False
>>> isinstance(b[0], np.bool)
False
>>> isinstance(b[0], np.bool_)
True
>>> isinstance(b[0], np.bool8)
True
>>> b[0].dtype == np.bool
True
>>> b[0].dtype == bool  # python equivalent
True

Więcej zabawy z typami skalarnymi, patrz: - https://docs.scipy.org/doc/numpy-1.15.1/reference/arrays.scalars.html#arrays-scalars-built-in

>>> x = np.array([1,], dtype=np.uint64)
>>> x[0].dtype
dtype('uint64')
>>> isinstance(x[0], np.uint64)
True
>>> isinstance(x[0], np.integer)
True  # generic integer
>>> isinstance(x[0], int)
False  # but not a python int in this case

# Try matching the `kind` strings, e.g.
>>> np.dtype('bool').kind                                                                                           
'b'
>>> np.dtype('int64').kind                                                                                          
'i'
>>> np.dtype('float').kind                                                                                          
'f'
>>> np.dtype('half').kind                                                                                           
'f'

# But be weary of matching dtypes
>>> np.integer
<class 'numpy.integer'>
>>> np.dtype(np.integer)
dtype('int64')
>>> x[0].dtype == np.dtype(np.integer)
False

# Down these paths there be dragons:

# the .dtype attribute returns a kind of dtype, not a specific dtype
>>> isinstance(x[0].dtype, np.dtype)
True
>>> isinstance(x[0].dtype, np.uint64)
False  
>>> isinstance(x[0].dtype, np.dtype(np.uint64))
Traceback (most recent call last):
  File "<console>", line 1, in <module>
TypeError: isinstance() arg 2 must be a type or tuple of types
# yea, don't go there
>>> isinstance(x[0].dtype, np.int_)
False  # again, confusing the .dtype with a specific dtype


# Inequalities can be tricky, although they might
# work sometimes, try to avoid these idioms:

>>> x[0].dtype <= np.dtype(np.uint64)
True
>>> x[0].dtype <= np.dtype(np.float)
True
>>> x[0].dtype <= np.dtype(np.half)
False  # just when things were going well
>>> x[0].dtype <= np.dtype(np.float16)
False  # oh boy
>>> x[0].dtype == np.int
False  # ya, no luck here either
>>> x[0].dtype == np.int_
False  # or here
>>> x[0].dtype == np.uint64
True  # have to end on a good note!