numpy.vectorize gibt falsche Werte zurück

Question

Ich habe einige Probleme mit der numpy.vectorize Funktion.

Ich habe eine Funktion definiert, die gut für Einzelelementeingabe funktioniert, aber die vektorisierte Version gibt unterschiedliche Ergebnisse zurück - Was mache ich falsch?

Code:

def c_inf_comp(z): 
    if z>0: 
     return np.exp(-1./(z*z)) 
    else: 
     return 0 


>>> x = np.array([-10., 10.]) 
>>> x 
array([-10., 10.]) 
>>> c_inf_comp(x[0]) 
0 
>>> c_inf_comp(x[1]) 
0.99004983374916811 
>>> vfunz = np.vectorize(c_inf_comp) 
>>> vfunz(x) 
array([0, 0]) 

Answer 1

Weil Sie nicht otypes (die Ausgangsdatentyp) angeben, wenn Sie Ihre Funktion vektorisiert, NumPy vorausgesetzt, dass Sie eine Reihe von int32 Werte zurückgeben möchten.

Wenn x die vektorisierten Funktion vfunz erste sieht -10. gegeben, gibt die ganze Zahl 0, und entscheidet, so dass die dtype des zurückgegebenen Arrays int32 sein sollte.

Um dies zu beheben, geben Sie otypesnp.float Werte zu sein:

vfunz = np.vectorize(c_inf_comp, otypes=[np.float]) 

Sie dann Ihre erwartete Ergebnis:

>>> vfunz(x) 
array([ 0.  , 0.99004983]) 

(Alternativ kann das Problem durch Rückgabe eines Float-Wert festgelegt werden, in Die else Bedingung von c_inf_comp, dh return 0.0. Auf diese Weise wird die von np.vectorize(c_inf_comp) generierte Funktion ein Array von Float-Werten zurückgeben, auch wenn es zuerst eine negative Zahl sieht.)