检查numpy数组中的类型

Question

我有不同类型的数据。其中大多数是int，有时是float。 int 的大小不同，因此大小为 8/ 16/ 32 位。
对于这种情况，我正在创建一个数字类型转换器。因此我使用isinstence() 检查类型。这是因为我读到isinstance() 比type() 差。

关键是我得到的很多数据都是 numpy 数组。我使用 spyder 作为 IDE，然后我看到变量也是一种类型。但是当我输入isinstance(var,'type i read') 时，我得到False。

我做了一些检查：

a = 2.17 
b = 3 
c = np.array(np.random.rand(2, 8))
d = np.array([1])

在那里isinstance(var,type) 我明白了：

isinstance(a, float)
True
isinstance(b, int)
True
isinstance(c, float)  # or isinstance(c, np.float64)
False
isinstance(d, int)  # or isinstance(c, np.int32)
False

c 和 d 在我询问时为真

isinstance(c, np.ndarray)
True
isinstance(d, np.ndarray)
True

我可以通过ndarray 中的步骤检查

isinstance(c[i][j], np.float64)
True
isinstance(d[i], np.int32)
True

但这意味着对于每个维度我都必须添加一个新索引，否则它又是False。 我可以用dtype 来检查那里的类型，比如c.dtype == 'float64'...

好吧，我发现并尝试过... 我的问题基本上是：

• var.dtype 方法与isinstance() 和type() 相比如何（最差/更好等）？
• 如果var.dtype 比isinstance() 更糟，isinstance() 中是否有一些方法没有所有手动索引？ （自动索引等）？

Answer 1

数组是np.ndarray 类型的对象。它的值或元素存储在数据缓冲区中，可以将其视为连续的内存字节块。数据缓冲区中的字节没有类型，因为它们不是 Python 对象。

该数组有一个dtype 参数，用于解释这些字节。如果dtype 是int32（有各种同义词），4 个字节被解释为一个整数。访问一个元素，比如c[0] 会给出一个取决于 dtype 的新对象，例如对象类型np.int32。

c[0].item 会给出对应类型的 Python 对象：

In [2102]: c=np.array([1])
In [2103]: c.dtype
Out[2103]: dtype('int32')
In [2104]: type(c)
Out[2104]: numpy.ndarray
In [2105]: type(c[0])
Out[2105]: numpy.int32
In [2107]: c[0].item()
Out[2107]: 1
In [2108]: type(c[0].item())
Out[2108]: int

（并且c[0].dtype 与c.dtype 相同；您无需索引数组的各个元素来检查它们的数据类型）。

这个数组的同样4个字节可以看成dtypeint8——一个单字节整数。

In [2112]: c.view('b')
Out[2112]: array([1, 0, 0, 0], dtype=int8)

这个替代视图的单个元素是np.int8，但是当我使用item() 时，我得到一个Python 整数。没有int8 Python 数字类型。

In [2113]: type(c.view('b')[0])
Out[2113]: numpy.int8
In [2115]: type(c.view('b')[0].item())
Out[2115]: int

列表包含指向 Python 对象的指针，每个对象都有一个类型。 dtype=object 的数组也是如此。但常见的数值数组不包含 Python 整数或浮点数。它有一个数据缓冲区，可以根据dtype 以各种方式进行解释。 Python 整数的大小没有不同，至少与 numpy dtype 的大小不同。

所以isinstance 和type() 的内容不适用于ndarray 的内容。

=====================

从我收集的 cmets 中，您正在尝试将整数数组转换为浮点数。您没有转换标量。如果是这样，那么dtype 才是最重要的；数组总是有一个dtype。目前尚不清楚您是否可以将np.float32 转换为np.float64。

我建议研究和试验np.can_cast 函数和x.astype 方法。

x.astype(np.float64, copy=False)

例如会将所有 int dtypes 转换为 float，而不复制已经是 float64 的那些。它可以复制和转换np.float32 个。

还要查看这些函数的casting 参数。

============================

我在scipy.optimize.minimize找到了另一个测试工具

In [156]: np.typecodes
Out[156]: 
{'All': '?bhilqpBHILQPefdgFDGSUVOMm',
 'AllFloat': 'efdgFDG',
 'AllInteger': 'bBhHiIlLqQpP',
 'Character': 'c',
 'Complex': 'FDG',
 'Datetime': 'Mm',
 'Float': 'efdg',
 'Integer': 'bhilqp',
 'UnsignedInteger': 'BHILQP'}

它可以用来检查整数：

if x0.dtype.kind in np.typecodes["AllInteger"]:
    x0 = np.asarray(x0, dtype=float)

Answer 2

要直接回答问题，您可以这样做：

isinstance(arr.flat[0], np.floating)

• .flat 将向下折叠任意数量的维度，因此您可以轻松访问第 0 个元素。
• np.floating 将匹配任何 numpy 浮点类型

Answer 3

numpy 数组中的所有条目都属于同一类型。 numpy 类型和 Python 类型不是一回事。这可能有点令人困惑，但 numpy 所指的类型更像是 C 等语言使用的类型 - 你可能会说更接近机器的低级。

你不能说哪种更好，因为这就像比较苹果和橘子。

Answer 4

与@rasen58 和@hpaulj 略有不同：

要检查 np 数组 c 是否具有浮点类型的元素，c.dtype == np.floating 适合我。

Answer 5

我写了一个小包装器，它的工作原理基本上类似于isinstance，并接受一个对象o 和一个类（或类元组）c。 唯一的区别是如果isinstance(o, np.ndarray) 是True，o.flat[0] 会根据映射的 numpy 数据类型进行检查（请参阅字典 c2np） 我主要与bool、int、float、str 合作，但这个列表可以更改/扩展。 请注意np.integer 和np.floating 是大多数/全部的集合？可用的 numpy 子类型为 np.int8、np.unit16、...

def np_isinstance(o, c):
    c2np = {bool: np.bool, int: np.integer, float: np.floating, str: np.str}

    if isinstance(o, np.ndarray):
        c = (c2np[cc] for cc in c) if isinstance(c, tuple) else c2np[c]
        return isinstance(o.flat[0], c)

    else:
        return isinstance(o, c)

一些例子：

# Like isinstance if o is not np.ndarray
np_isinstance(('this', 'that'), tuple)  # True
np_isinstance(4.4, int)                 # False
np_isinstance(4.4, float)               # True

#
np_isinstance(np.ones(4, dtype=int), int)    # True
np_isinstance(np.ones(4, dtype=int), float)  # False
np_isinstance(np.full((4, 4), 'bert'), str)  # True