Numpy妨碍了int>浮动式铸造

Question

提前道歉-我似乎有一个很根本的误解，我无法澄清。我有一个fourvector类，有ct和位置向量的变量。我在写代码来执行x方向的洛伦兹增强。我遇到的问题是，正如下面所写的，ct返回一个适当的浮点值，但x没有。搞砸了，我发现tempx是一个float，但是将tempx赋给r[0]并不能使其成为float，而是取而代之的是一个整数。我之前曾发表过一个关于可变性与不变性的问题，我怀疑这就是问题所在。如果是这样，我显然有一个比预期更深的误解。不管怎样，我有几个问题要问

1a）如果用a=FourVector（ct=5，r=[55,2,3]）实例化a，则类型（a.\u r[0]）返回数字浮点数64与之相反数字.int32. 这是怎么回事？我只希望一个..\u r[1]是一个浮点，而它却改变了整个列表的类型？在

1b）如何获得上述行为（整个列表是浮动的），而不必将变量实例化为浮动？我阅读了文档并尝试了各种方法，比如使用astype（float），但是我所做的一切似乎都将其作为一个int来保存。在

2）我原以为，在这个时候。。。线，乘以1.0会将它转换成一个浮点数，因为看起来这就是ct转换为浮点数的原因，但由于某些原因它没有。也许和其他原因一样？在

import numpy as np

class FourVector():
    def __init__(self, ct=0, x=0, y=0, z=0, r=[]):
        self._ct = ct
        self._r = np.array(r)
        if r == []:
            self._r = np.array([x,y,z])

    def boost(self, beta):
        gamma=1/np.sqrt(1-(beta ** 2))
        tempct=(self._ct*gamma-beta*gamma*self._r[0])
        tempx=(-1.0*self._ct*beta*gamma+self._r[0]*gamma)
        self._ct=tempct
        print(type(self._r[0]))
        self._r[0]=tempx.astype(float)
        print(type(self._r[0]))

a = FourVector(ct=5,r=[55,2,3])
b = FourVector(ct=1,r=[4,5,6])
print(a._r)
a.boost(.5)
print(a._r)

Answer 1

你所有的问题都是相关的。在

numpy数组是一种有效地保存对象的数组。它通过让这些对象具有相同的类型，比如字符串（等长）或整数或浮点。然后，它可以很容易地计算出每个元素需要多少空间以及它必须“跳转”多少字节才能访问下一个元素（我们称之为“跨步”）。在

当您从一个列表创建一个数组时，numpy将尝试从该列表中确定一个合适的数据类型（“dtype”），以确保所有元素都能被很好地表示出来。只有当您显式地指定数据类型时，它才不会做出有根据的猜测。在

考虑以下示例：

>>> import numpy as np
>>> integer_array = np.array([1,2,3])  # pass in a list of integers
>>> integer_array
array([1, 2, 3])
>>> integer_array.dtype
dtype('int64')

如您所见，在我的系统中，它返回一个int64的数据类型，这是使用8字节的整数表示。它选择这样做是因为：

1. numpy识别列表中的所有元素都是整数
2. 我的系统是64位系统

现在考虑更改该数组的尝试：

^{pr2}$

如您所见，一旦设置了数组的数据类型，就完成了对该数据类型的自动转换。 现在让我们考虑一下当您传入至少有一个浮点的列表时会发生什么：

>>> float_array = np.array([1., 2,3])
>>> float_array
array([ 1.,  2.,  3.])
>>> float_array.dtype
dtype('float64')

再次，numpy为这个数组确定一个合适的数据类型。在

盲目尝试更改数组的数据类型是不明智的：

>>> integer_array.dtype = np.float32
>>> integer_array
array([  2.80259693e-45,   0.00000000e+00,   2.80259693e-45,
         0.00000000e+00,   4.20389539e-45,   0.00000000e+00], dtype=float32)

你可能会说这些数字是胡言乱语。这是因为numpy试图将数组的内存位置重新解释为4字节的浮点（熟练的人员将能够将数字转换为二进制表示，并从那里重新解释原始整数值）。在

如果要强制转换，则必须显式地执行该操作，numpy将返回一个new数组：

>>> integer_array.dtype = np.int64 # go back to the previous interpretation
>>> integer_array
array([2, 2, 3])
>>> integer_array.astype(np.float32)
array([ 2.,  2.,  3.], dtype=float32)

现在，请回答您的具体问题：

1a) If instantiate a with a = FourVector(ct=5,r=[55,2.,3]), then type(a._r[0]) returns numpy.float64 as opposed to numpy.int32. What is going on here? I expected just a._r[1] to be a float, and instead it changes the type of the whole list?

这是因为numpy必须为整个数组确定一个数据类型（除非使用structured array），以确保所有元素都适合该数据类型。只有这样，numpy才能有效地迭代该数组的元素。在

1b) How do I get the above behaviour (The whole list being floats), without having to instantiate the variables as floats? I read up on the documentation and have tried various methods, like using astype(float), but everything I do seems to keep it as an int. Again, thinking this is the mutable/immutable problem I'm having.

创建数组时指定dtype。在您的代码中，这将是：

self._r = np.array(r, dtype=np.float)

2) I had thought, in the tempx=... line, multiplying by 1.0 would convert it to a float, as it appears this is the reason ct converts to a float, but for some reason it doesn't. Perhaps the same reason as the others?

这是真的。尝试打印tempx的数据类型，它应该是一个float。但是，稍后，您将把这个值重新插入数组self._r，它的数据类型为int。正如您前面看到的，这将把float转换回整数类型。在