memmap的numpy均值大于max

Question

我有一个时间戳数组，矩阵X第二列的每一行都会增加。我计算时间戳的平均值，它大于最大值。我正在使用numpy内存映射进行存储。为什么会发生这种情况？

>>> self.X[:,1]
memmap([  1.45160858e+09,   1.45160858e+09,   1.45160858e+09, ...,
     1.45997146e+09,   1.45997683e+09,   1.45997939e+09], dtype=float32)
>>> np.mean(self.X[:,1])
1.4642646e+09
>>> np.max(self.X[:,1])
memmap(1459979392.0, dtype=float32)
>>> np.average(self.X[:,1])
1.4642646e+09
>>> self.X[:,1].shape
(873608,)
>>> np.sum(self.X[:,1])
memmap(1279193195216896.0, dtype=float32)
>>> np.sum(self.X[:,1]) / self.X[:,1].shape[0]
memmap(1464264515.9120522)

编辑：我已经在这里上传了memmap文件。http://www.filedropper.com/x_2这就是我加载的方式。

filepath = ...
shape = (875422, 23)
X = np.memmap(filepath, dtype="float32", mode="r", shape=shape)
# I preprocess X by removing rows with all 0s
# note this step doesn't affect the problem
to_remove = np.where(np.all(X == 0, axis=1))[0]
X = np.delete(X, to_remove, axis=0)

Answer 1

这不是numpy或memmap问题。问题在于浮点，准确地说是float32。您可以在C++等其他语言中看到同样的错误。

所使用的float32累加器由于添加了越来越多的数字而变得不精确

In [26]: a = np.ones((1024,1024), dtype=np.float32)*4567
In [27]: a.min()
Out[27]: 4567.0
In [28]: a.max()
Out[28]: 4567.0
In [29]: a.mean()
Out[29]: 4596.5264

np.float64型不会发生这种情况（给人更多的喘息空间）。

In [30]: a = np.ones((1024,1024), dtype=np.float64)*4567
In [31]: a.min()
Out[31]: 4567.0
In [32]: a.mean()
Out[32]: 4567.0

您可以通过显式指定mean()来使其使用float64缓冲区。

In [12]: a = np.ones((1024,1024), dtype=np.float32)*4567
In [13]: a.mean(dtype=np.float64)
Out[13]: 4567.0