Numpy vectorize als Dekorateur mit Argumenten

Question

Ich habe versucht, vektorisieren (vereinbart, nicht die effizienteste Art und Weise, es zu tun, aber meine Frage ist eher auf der Dekorateur Verwendung) die folgende Funktion

@np.vectorize 
def diff_if_bigger(x, y): 
    return y - x if y > x else 0 

x = np.array([5.6, 7.0]) 
y = 8 

diff_if_bigger(x, y) 
# outputs array([2, 1]) which is not what I want 

EDIT: Nach dem Neustart von IPython war die Ausgabe in Ordnung.

Kann mir jemand erklären, warum das Ergebnis diff_if_bigger in ein Array von np.int tansformed wurde, selbst wenn das erste Argument x ist hier ein aray von np.float, im Gegensatz zu dem, was im doc ist ????

Jetzt will ich einen Schwimmer Ausgang zwingen, so habe ich diese

@np.vectorize('np.float') 
def diff_if_bigger(x, y): 
    return y - x if y > x else 0 
# Error !! 
# TypeError: Object is not callable. 

@np.vectorize(otypes='np.float') 
def diff_if_bigger(x, y): 
    return y - x if y > x else 0 
# Again error !! 
# TypeError: __init__() takes at least 2 arguments (2 given) 


@np.vectorize(otypes=[np.float]) 
def diff_if_bigger(x, y): 
    return y - x if y > x else 0 
# Still an error !! 
# TypeError: __init__() takes at least 2 arguments (2 given) 

By the way, auch diese

vec_diff = np.vectorize(diff_if_bigger, otypes=[np.float]) 

funktioniert nicht !!! So was ist los??

EDIT: In der Tat funktionierte letzteres nach dem Neustart von IPython.

Also nach meinen vorherigen zwei Bearbeitungen, ist meine Frage ist nun zweierlei:

1- Wie kann ich np.vectorize als Dekorateur mit Argumenten verwenden?

2- Wie kann ich den IPython-Zustand reinigen?

Answer 1

Werke für mich:

>>> import numpy as np 
>>> @np.vectorize 
... def diff_if_bigger(x, y): 
...  return y - x if y > x else 0 
... 
>>> diff_if_bigger(np.array([5.6,7.0]), 8) 
array([ 2.4, 1. ]) 

Beachten Sie, dass np.vectorize als Dekorateur mit Ausnahme der einfachsten Fällen nicht wirklich bedeutete. Wenn Sie eine explizite otype angeben müssen, verwenden Sie das übliche Formular new_func = np.vectorize(old_func, otypes=...) oder verwenden Sie functools.partial, um einen Dekorator zu erhalten.

Hinweis zu, dass np.vectorize standardmäßig erhält seine Ausgangstyp, die Funktion auf dem ersten Argument aus der Auswertung:

Der Datentyp des Ausgangs des vectorized wird durch Aufruf der Funktion mit dem ersten Element bestimmt die Eingabe.

Also, sollten Sie float und zurück float geben, wenn Sie sicherstellen wollen, dass es float als Ausgabe dtype folgert (z else 0.0 verwenden und weitergeben y = 8.0).