奇怪行为，当铸造numpy.float64漂浮

我在与由numpy.arange生成的对象奇怪行为：奇怪行为，当铸造numpy.float64漂浮

for i in numpy.arange(xo, xn+h, h): 
    xs.append(float(i))

在这种情况下，xo=1，xn=4，h=0.1。

现在，我预计xs[-1]是完全等于4.0 == float(4)。但是，我得到以下内容：

>>> foo = xs[-1] 
>>> foo == float(4) 
False 
>>> float(foo) == float(4) 
False 
>>> foo 
4.0 
>>> type(foo) 
<type 'float'> 
>>> int(sympy.ceiling(4.0)), int(sympy.ceiling(foo)) 
4 5

这里发生了什么？

将print type(i)放置在for循环打印<type 'numpy.float64'>。或许在float(i)投射期间发生了什么？使用numpy.asscalar不会改变任何东西。

使用math.ceil(foo)而不是sympy.ceiling(foo)发出相同的事情（这是我实际需要工作的部分）。

来源

2013-10-22 Alex

numpy.float64 VS sympy.float？如果你使用sympy，你可能会遇到这样的问题，我猜？ – usethedeathstar

@usethedeathstar我使用内建的'float（）'来进行投射。 Sympy仅用于上面控制台I/O的最后一行。而且，正如我所说的，使用'math.ceil'而不是'sympy.ceiling'返回相同的结果。 – Alex

你应该避免使用浮点数的'np.arange'。而是使用'np.linspace'。 – seberg

In [10]: for i in numpy.arange(xo, xn+h, h): 
     xs.append(float(i)) 
....:  

In [11]: xs 
Out[11]: 
[1.0, 
1.1, 
1.2000000000000002, 
1.3000000000000003, 
1.4000000000000004, 
1.5000000000000004, 
1.6000000000000005, 
1.7000000000000006, 
1.8000000000000007, 
1.9000000000000008, 
2.000000000000001, 
2.100000000000001, 
2.200000000000001, 
2.300000000000001, 
2.4000000000000012, 
2.5000000000000013, 
2.6000000000000014, 
2.7000000000000015, 
2.8000000000000016, 
2.9000000000000017, 
3.0000000000000018, 
3.100000000000002, 
3.200000000000002, 
3.300000000000002, 
3.400000000000002, 
3.500000000000002, 
3.6000000000000023, 
3.7000000000000024, 
3.8000000000000025, 
3.9000000000000026, 
4.000000000000003]

这就是为什么你没有得到想要的结果，由于浮点精度，它不能给你的测试真。这也解释了为什么如果你做一个像天花板一样的圆形操作，你会得到五个而不是四个。

编辑：检查，如果X和Y是相同的（一些误差之内），你能做到以下几点，但我认为这是（应该是）在Python的东西已经可以为您

做到这一点

def isnear(x,y, precision = 1e-5): 
    return abs(x-y)<precision

EDIT2：或ali_m说：

numpy.allclose(x, y, atol = 1e-5)

来源

2013-10-22 07:42:20 usethedeathstar

那么，在使用float（xs [-1]）进行投射后，你会得到'4.0'作为输出，这让我感到奇怪。那么最好的方法是什么才能做到正确？ '轮（我）'？ – Alex

@Alex我认为在python中有一些东西用来检查x是否接近y，如果你自己实现它，你可以尝试abs（xy） usethedeathstar

@Alex：不是测试'f1 == f2'，其中'f1'和'f2'都是浮点数，通常最好测试'abs（f1-f2） Simon

这并不奇怪 - 它只是浮点运算的工作方式，因为它不能完全代表大多数值。如果你重复计算浮点数（arange()这里是加0.1到1，然后再增加0.1到另一个29次），如果你处理的数字在浮点上不能精确表示，你将无法得到一个精确的在计算结束时回答。最好的文章阅读是What Every Computer Scientist Should Know About Floating-Point Arithmetic。

来源

2013-10-22 07:41:50 Simon

奇怪行为，当铸造numpy.float64漂浮

回答

相关问题