为什么更改 numpy 数组元素的 dtype 会更改数组的形状?我是 numpy 的新手,我试图将 dtype 从现有的 np.int32 更改为 np.float16。这样做会更改数组的形状,但更改为 np.float32 不会修改形状。
>>> import numpy as np
>>> arr1=np.array([1,2,3,4]
>>> arr1
array([1, 2, 3, 4])
>>> arr1.shape
(4,)
>>> arr1.dtype=np.float16
>>> arr1
array([ 5.96046448e-08, 0.00000000e+00, 1.19209290e-07,
0.00000000e+00, 1.78813934e-07, 0.00000000e+00,
2.38418579e-07, 0.00000000e+00], dtype=float16)
>>> arr1.shape
(8,)
因为更改数组的数据类型会更改实际存储的字节的含义,以及其中多少个字节构成一个值。您的初始数组可能具有数据类型int32
,因此四个值中的每一个都由四个字节组成:
a = np.array([1, 2, 3, 4], dtype=np.int32)
a
>>> array([1, 2, 3, 4], dtype=int32)
bytes(a)
>>> b'x01x00x00x00x02x00x00x00x03x00x00x00x04x00x00x00'
更改数据类型不会更改存储的字节,只会更改它们的含义:
a.dtype = np.float16
bytes(a)
>>> b'x01x00x00x00x02x00x00x00x03x00x00x00x04x00x00x00'
a
>>> array([ 5.96046448e-08, 0.00000000e+00, 1.19209290e-07,
0.00000000e+00, 1.78813934e-07, 0.00000000e+00,
2.38418579e-07, 0.00000000e+00], dtype=float16)
要实际转换值,请使用.astype
:
a.astype(np.float32)
>>> array([ 1., 2., 3., 4.], dtype=float32)
你不应该使用 atrtibute dtype 来"更改"数组的 dtype。您还可以看到,与原始数字相比,新数字没有意义。
相反,您应该使用 arr1.astype(np.float16)
.
我的猜测是,通过简单地更改 dtype,您只需告诉 numpy 更改它为每个元素读取的内存量。因此,由于您从 float32 减少到 float16,这是内存表示的一半,因此您可以获得两倍的大小。
如果要更改数组的数据类型,则应执行arr1.astype(np.float16)
。
我对此并不完全确定,但我猜 numpy 通过将数组的内存使用量除以数据类型的大小来计算形状。
如果您直接修改dtype
,数组仍然认为其元素具有相同的大小,因此您可能会得到不同的答案。