将 numpy dtypes 转换为原生 python 类型答案

【问题标题】：Converting numpy dtypes to native python types将 numpy dtypes 转换为原生 python 类型
【发布时间】：2012-03-16 04:52:40
【问题描述】：

如果我有一个 numpy dtype，我如何自动将其转换为最接近的 python 数据类型？例如，

numpy.float32 -> "python float"
numpy.float64 -> "python float"
numpy.uint32  -> "python int"
numpy.int16   -> "python int"

我可以尝试提出所有这些情况的映射，但是 numpy 是否提供了某种自动方式将其 dtype 转换为最接近的可能的本机 python 类型？这种映射不需要详尽，但它应该转换具有接近 python 模拟的常见 dtype。我认为这已经发生在 numpy 的某个地方。

【问题讨论】：

标签： python numpy

【解决方案1】：

使用val.item() 将大多数 NumPy 值转换为原生 Python 类型：

import numpy as np

# for example, numpy.float32 -> python float
val = np.float32(0)
pyval = val.item()
print(type(pyval))         # <class 'float'>

# and similar...
type(np.float64(0).item()) # <class 'float'>
type(np.uint32(0).item())  # <class 'int'>
type(np.int16(0).item())   # <class 'int'>
type(np.cfloat(0).item())  # <class 'complex'>
type(np.datetime64(0, 'D').item())  # <class 'datetime.date'>
type(np.datetime64('2001-01-01 00:00:00').item())  # <class 'datetime.datetime'>
type(np.timedelta64(0, 'D').item()) # <class 'datetime.timedelta'>
...

（另一种方法是np.asscalar(val)，但自 NumPy 1.16 起已弃用）。

为了好奇，为您的系统构建NumPy array scalars 的转换表：

for name in dir(np):
    obj = getattr(np, name)
    if hasattr(obj, 'dtype'):
        try:
            if 'time' in name:
                npn = obj(0, 'D')
            else:
                npn = obj(0)
            nat = npn.item()
            print('{0} ({1!r}) -> {2}'.format(name, npn.dtype.char, type(nat)))
        except:
            pass

有一些 NumPy 类型在某些系统上没有原生 Python 等效项，包括：clongdouble、clongfloat、complex192、complex256、float128、longcomplex、longdouble 和 @ 987654335@。在使用 .item() 之前，需要将它们转换为最接近的 NumPy 等效项。

【讨论】：

我正在使用熊猫 (0.23.0)。至少对于那个版本，np.str 没有 .item() 方法，所以我看到的唯一方法是将 .item() 包装在 try 块中。
@RobertLugg np.str 不是 Numpy 类型，即np.str is str，因此它只是标准 Python 类型的别名。与np.float、np.int、np.bool、np.complex 和 np.object 相同。 Numpy 类型有一个尾随 _，例如np.str_.
我明白了。所以问题是“如果”我能做到，那就太好了：np.float64(0).item() 和np.float(0).item()。换句话说，对于知道要做什么的情况，支持.item() 方法，即使它只是返回相同的值。这样我就可以在没有特殊大小写的情况下将.item() 应用于更多的 numpy 标量。事实上，看似平行的概念因底层实现而有所不同。我完全理解为什么要这样做。但这对图书馆用户来说很烦人。
item() 似乎是一个出乎意料的直观名称。有没有办法考虑一下，所以我失踪对我来说是有意义的？

【解决方案2】：

发现自己混合了一组 numpy 类型和标准 python。由于所有 numpy 类型都派生自 numpy.generic，因此您可以将所有内容都转换为 python 标准类型：

if isinstance(obj, numpy.generic):
    return numpy.asscalar(obj)

【讨论】：

从 numpy v1.6 开始，asscalar 方法已经贬值
您可以轻松地将答案替换为if isinstance(o, numpy.generic): return o.item() raise TypeError，然后它又会变成不推荐使用的答案：D

【解决方案3】：

如果你想将 (numpy.array OR numpy scalar OR native type OR numpy.darray) 转换为 native type，你可以简单地做：

converted_value = getattr(value, "tolist", lambda: value)()

tolist 会将您的标量或数组转换为 Python 原生类型。默认的 lambda 函数会处理 value 已经是原生的情况。

【讨论】：

混合类型（本地和非本地）的最干净的方法，干得好！对于那些想知道的人，是的，当您在单个值上调用它时，tolist 只返回一个值（标量），而不是您可能认为的列表。值得注意的是，编写 lambda 的更简单方法是 lambda: value，因为我们不需要任何输入。
getattr + tolist 组合不仅是通用的，甚至是矢量化的！ (unlinke .item())
这应该是一个可以接受的答案，它干净且适用于所有人

【解决方案4】：

tolist() 是实现此目的的更通用方法。它适用于任何原始 dtype，也适用于数组或矩阵。

如果从原始类型调用，我实际上不会产生列表：

numpy == 1.15.2

>>> import numpy as np

>>> np_float = np.float64(1.23)
>>> print(type(np_float), np_float)
<class 'numpy.float64'> 1.23

>>> listed_np_float = np_float.tolist()
>>> print(type(listed_np_float), listed_np_float)
<class 'float'> 1.23

>>> np_array = np.array([[1,2,3.], [4,5,6.]])
>>> print(type(np_array), np_array)
<class 'numpy.ndarray'> [[1. 2. 3.]
 [4. 5. 6.]]

>>> listed_np_array = np_array.tolist()
>>> print(type(listed_np_array), listed_np_array)
<class 'list'> [[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]]

【讨论】：

好建议！ .tolist() 也适用于 np.float32

【解决方案5】：

怎么样：

In [51]: dict([(d, type(np.zeros(1,d).tolist()[0])) for d in (np.float32,np.float64,np.uint32, np.int16)])
Out[51]: 
{<type 'numpy.int16'>: <type 'int'>,
 <type 'numpy.uint32'>: <type 'long'>,
 <type 'numpy.float32'>: <type 'float'>,
 <type 'numpy.float64'>: <type 'float'>}

【讨论】：

我在问题的结尾提到了这种类型的解决方案作为一种可能性。但我正在寻找一种系统的解决方案，而不是只涵盖少数情况的硬编码解决方案。例如，如果 numpy 将来添加更多 dtypes，您的解决方案就会中断。所以我对这个解决方案不满意。
可能的 dtype 的数量是无限的。对于任何正整数m，请考虑np.dtype('mint8')。不可能有详尽的映射。（我也不相信有一个内置函数可以为你做这个转换。我可能是错的，但我不这么认为:)）
Python 将 numpy dtypes 映射到 python 类型，我不确定如何，但我想使用他们所做的任何方法。我认为这必须允许，例如，numpy dtypes 和 python 类型之间的乘法（和其他操作）。我猜他们的方法并没有详尽地映射所有可能的 numpy 类型，但至少是最常见的有意义的类型。
它无法始终如一地工作：>>> print([numpy.asscalar(x) for x in numpy.linspace(1.0, 0.0, 21)]) [1.0, 0.95, 0.9, 0.85, 0.8, 0.75, 0.7, 0.6499999999999999, 0.6, 0.55, 0.5, 0.44999999999999996, 0.3999999999999999, 0.35, 0.29999999999999993, 0.25, 0.19999999999999996, 0.1499999999999999, 0.09999999999999998, 0.04999999999999993, 0.0] 如您所见，并非所有值都已正确转换。
在我之前的评论之后，奇怪的是这个工作，虽然我会虽然你需要把回合放在 Python 原生类型而不是 Numpy 原生类型上：>>> print([numpy.asscalar(round(x,2)) for x in numpy.linspace(1.0, 0.0, 21)]) [1.0, 0.95, 0.9, 0.85, 0.8, 0.75, 0.7, 0.65, 0.6, 0.55, 0.5, 0.45, 0.4, 0.35, 0.3, 0.25, 0.2, 0.15, 0.1, 0.05, 0.0]

【解决方案6】：

您也可以调用要转换的对象的item() method：

>>> from numpy import float32, uint32
>>> type(float32(0).item())
<type 'float'>
>>> type(uint32(0).item())
<type 'long'>

【讨论】：

【解决方案7】：

我认为您可以像这样编写通用类型转换函数：

import numpy as np

def get_type_convert(np_type):
   convert_type = type(np.zeros(1,np_type).tolist()[0])
   return (np_type, convert_type)

print get_type_convert(np.float32)
>> (<type 'numpy.float32'>, <type 'float'>)

print get_type_convert(np.float64)
>> (<type 'numpy.float64'>, <type 'float'>)

这意味着没有固定的列表，您的代码将随着更多类型进行扩展。

【讨论】：

您知道将 numpy 类型映射到 python 类型的 tolist() 方法部分的源代码在哪里吗？我快速浏览了一下，但没有找到。
这有点像我正在做的是使用zeros() 生成一个带有1 个零的numpy.ndarray 并调用ndarrays tolist() 函数以转换为本机类型。一旦进入本机类型，我会要求返回类型。 tolist() 是ndarray 的函数
是的，我明白了——它适用于我想要的，所以我接受了你的解决方案。但我想知道 tolist() 是如何决定要转换成什么类型的，我不知道如何找到源代码。
numpy.sourceforge.net/numdoc/HTML/numdoc.htm#pgfId-36588 是记录函数的位置。我认为检查可能能够帮助找到更多信息，但没有乐趣。下一步我尝试克隆github.com/numpy/numpy.git 并运行grep -r 'tolist' numpy。（仍在进行中，numpy 非常庞大！）

【解决方案8】：

很抱歉来晚了，但我正在研究将numpy.float64 转换为常规 Python float 的问题。我看到了 3 种方法：

npValue.item()
npValue.astype(float)
float(npValue)

以下是来自 IPython 的相关时间安排：

In [1]: import numpy as np

In [2]: aa = np.random.uniform(0, 1, 1000000)

In [3]: %timeit map(float, aa)
10 loops, best of 3: 117 ms per loop

In [4]: %timeit map(lambda x: x.astype(float), aa)
1 loop, best of 3: 780 ms per loop

In [5]: %timeit map(lambda x: x.item(), aa)
1 loop, best of 3: 475 ms per loop

听起来float(npValue) 似乎要快得多。

【讨论】：

【解决方案9】：

numpy 将该信息保存在公开为 typeDict 的映射中，因此您可以执行以下操作：：

>>> import __builtin__
>>> import numpy as np
>>> {v: k for k, v in np.typeDict.items() if k in dir(__builtin__)}
{numpy.object_: 'object',
 numpy.bool_: 'bool',
 numpy.string_: 'str',
 numpy.unicode_: 'unicode',
 numpy.int64: 'int',
 numpy.float64: 'float',
 numpy.complex128: 'complex'}

如果你想要实际的 python 类型而不是它们的名字，你可以这样做 ::

>>> {v: getattr(__builtin__, k) for k, v in np.typeDict.items() if k in vars(__builtin__)}
{numpy.object_: object,
 numpy.bool_: bool,
 numpy.string_: str,
 numpy.unicode_: unicode,
 numpy.int64: int,
 numpy.float64: float,
 numpy.complex128: complex}

【讨论】：

【解决方案10】：

我的方法有点强硬，但似乎适用于所有情况：

def type_np2py(dtype=None, arr=None):
    '''Return the closest python type for a given numpy dtype'''

    if ((dtype is None and arr is None) or
        (dtype is not None and arr is not None)):
        raise ValueError(
            "Provide either keyword argument `dtype` or `arr`: a numpy dtype or a numpy array.")

    if dtype is None:
        dtype = arr.dtype

    #1) Make a single-entry numpy array of the same dtype
    #2) force the array into a python 'object' dtype
    #3) the array entry should now be the closest python type
    single_entry = np.empty([1], dtype=dtype).astype(object)

    return type(single_entry[0])

用法：

>>> type_np2py(int)
<class 'int'>

>>> type_np2py(np.int)
<class 'int'>

>>> type_np2py(str)
<class 'str'>

>>> type_np2py(arr=np.array(['hello']))
<class 'str'>

>>> type_np2py(arr=np.array([1,2,3]))
<class 'int'>

>>> type_np2py(arr=np.array([1.,2.,3.]))
<class 'float'>

【讨论】：

我看到这与马特·阿尔科克的回答基本相同。

【解决方案11】：

对于那些不需要自动转换并且知道值的 numpy dtype 的人来说，关于数组标量的旁注：

数组标量与 Python 标量不同，但在大多数情况下，它们可以互换使用（主要例外是 v2.x 之前的 Python 版本，其中整数数组标量不能用作索引对于列表和元组）。有一些例外，例如当代码需要非常特定的标量属性时，或者当它专门检查一个值是否是 Python 标量时。通常，通过使用相应的 Python 类型函数（例如，int、float、complex、str、unicode）将数组标量显式转换为 Python 标量，可以轻松解决问题。

Source

因此，在大多数情况下，可能根本不需要转换，可以直接使用数组标量。效果应该和使用 Python scalar 一样：

>>> np.issubdtype(np.int64, int)
True
>>> np.int64(0) == 0
True
>>> np.issubdtype(np.float64, float)
True
>>> np.float64(1.1) == 1.1
True

但是，如果由于某种原因需要显式转换，则可以使用相应的 Python 内置函数。如另一个答案所示，它也比数组标量item() 方法更快。

【讨论】：

【解决方案12】：

如果您有一个 numpy 类型的数组 list_numpy_numbers，请执行以下操作：

list_native_numbers = [i.item() for i in list_numpy_numbers]

【讨论】：

【解决方案13】：

翻译整个ndarray而不是一个单元数据对象：

def trans(data):
"""
translate numpy.int/float into python native data type
"""
result = []
for i in data.index:
    # i = data.index[0]
    d0 = data.iloc[i].values
    d = []
    for j in d0:
        if 'int' in str(type(j)):
            res = j.item() if 'item' in dir(j) else j
        elif 'float' in str(type(j)):
            res = j.item() if 'item' in dir(j) else j
        else:
            res = j
        d.append(res)
    d = tuple(d)
    result.append(d)
result = tuple(result)
return result

但是，处理大型数据帧需要几分钟时间。我也在寻找更有效的解决方案。希望有更好的答案。

【讨论】：