NumPy 1.20.0 版本说明#

这是迄今为止规模最大的 NumPy 版本发布，已合并来自 184 位贡献者的 684 个 PR。有关更多详细信息，请参阅下面的重点列表。此版本支持的 Python 版本为 3.7-3.9，已取消对 Python 3.6 的支持。重点如下：

  • NumPy 函数的注释。这项工作正在进行中，预计会根据用户的反馈进行改进。

  • 更广泛地使用 SIMD 来提高 ufunc 的执行速度。在引入通用函数方面做了大量工作，这将简化在不同硬件平台上使用现代功能的难度。这项工作正在进行中。

  • 更改 dtype 和转换实现的初步工作，以便为扩展 dtype 提供更简单的途径。这项工作正在进行中，但已经完成的工作足以进行实验和反馈。

  • 大量的文档改进，包括大约 185 个 PR 合并。这项工作正在进行中，并且是改进 NumPy 在线资源和对新用户的实用性的更大项目的一部分。

  • 与删除 Python 2.7 相关的进一步清理工作。这提高了代码的可读性并减少了技术债务。

  • 对即将发布的 Cython 3.0 的初步支持。

新函数#

random.Generator 类有一个新的 permuted 函数。#

新函数与 shuffle 和 permutation 的区别在于，它对由轴索引的子数组进行置换，而不是将轴作为其他索引的每个组合的单独一维数组进行处理。例如，现在可以置换二维数组的行或列。

(gh-15121)

sliding_window_view 为 numpy 数组提供滑动窗口视图#

numpy.lib.stride_tricks.sliding_window_view 在 numpy 数组上构建视图，这些视图提供对数组的滑动或移动窗口访问。这允许简单地实现某些算法，例如运行均值。

(gh-17394)

numpy.broadcast_shapes 是一个新的面向用户的函数#

broadcast_shapes 获取将给定的形状元组相互广播后的结果形状。

>>> np.broadcast_shapes((1, 2), (3, 1))
(3, 2)

>>> np.broadcast_shapes(2, (3, 1))
(3, 2)

>>> np.broadcast_shapes((6, 7), (5, 6, 1), (7,), (5, 1, 7))
(5, 6, 7)

(gh-17535)

弃用#

使用内置类型的别名，例如 np.int 已被弃用#

长期以来，np.int 一直是内置 int 的别名。这反复成为新手混淆的原因，并且主要出于历史原因而存在。

这些别名已被弃用。下表显示了所有被弃用的别名及其确切含义。用第二列的内容替换第一列中条目的用法将具有相同的效用，并消除弃用警告。

第三列列出了偶尔可能更可取的替代 NumPy 名称。另请参阅 数据类型 获取更多详细信息。

已弃用的名称

等同于

NumPy 标量类型名称

numpy.bool

bool

numpy.bool_

numpy.int

int

numpy.int_（默认）、numpy.int64 或 numpy.int32

numpy.float

float

numpy.float64，numpy.float_，numpy.double（等效）

numpy.complex

complex

numpy.complex128，numpy.complex_，numpy.cdouble（等效）

numpy.object

object

numpy.object_

numpy.str

str

numpy.str_

numpy.long

int

numpy.int_（C long）、numpy.longlong（最大整数类型）

numpy.unicode

str

numpy.unicode_

为了给出绝大多数情况的明确指导，对于 bool、object、str（和 unicode）类型，使用普通版本更短且清晰，通常是一个很好的替代方案。对于 float 和 complex，如果希望更明确地说明精度，可以使用 float64 和 complex128。

对于 np.int，直接用 np.int_ 或 int 替换也很好，并且不会改变行为，但精度将继续取决于计算机和操作系统。如果要更明确并查看当前用法，则有以下替代方案：

  • np.int64 或 np.int32 用于精确指定精度。这确保结果不会依赖于计算机或操作系统。

  • np.int_ 或 int（默认值），但请注意，它取决于计算机和操作系统。

  • C 类型：np.cint（int）、np.int_（long）、np.longlong。

  • np.intp 在 32 位机器上为 32 位，在 64 位机器上为 64 位。这可能是用于索引的最佳类型。

当与 np.dtype(...) 或 dtype=... 一起使用时，将其更改为上述 NumPy 名称不会影响输出。如果用作标量，则

np.float(123)

更改它可能会微妙地改变结果。在这种情况下，Python 版本 float(123) 或 int(12.) 通常更可取，尽管 NumPy 版本可能对与 NumPy 数组保持一致很有用（例如，NumPy 对除以零等情况的行为有所不同）。

(gh-14882)

将 shape=None 传递给具有非可选形状参数的函数已被弃用#

以前，这是传递 shape=() 的别名。此弃用由 C API 中的 PyArray_IntpConverter 发出。如果您的 API 旨在支持传递 None，则应在调用转换器之前检查 None，以便能够区分 None 和 ()。

(gh-15886)

即使索引结果为空，也会报告索引错误#

将来，即使非索引维度长度为 0，当整数数组索引包含超出范围的值时，NumPy 也会引发 IndexError。这现在会发出 DeprecationWarning。当数组先前为空或涉及空切片时，可能会发生这种情况。

arr1 = np.zeros((5, 0))
arr1[[20]]
arr2 = np.zeros((5, 5))
arr2[[20], :0]

以前，非空索引 [20] 未经检查其正确性。现在将对其进行检查，从而导致弃用警告，该警告将转换为错误。这也适用于赋值。

(gh-15900)

mode 和 searchside 的不精确匹配已被弃用#

mode 和 searchside 的不精确和不区分大小写的匹配以前是有效的输入，现在会给出 DeprecationWarning。例如，以下是一些现在已弃用并会给出 DeprecationWarning 的示例用法。

import numpy as np
arr = np.array([[3, 6, 6], [4, 5, 1]])
# mode: inexact match
np.ravel_multi_index(arr, (7, 6), mode="clap")  # should be "clip"
# searchside: inexact match
np.searchsorted(arr[0], 4, side='random')  # should be "right"

(gh-16056)

numpy.dual 的弃用#

numpy.dual 模块已被弃用。不要从 numpy.dual 导入函数，而应直接从 NumPy 或 SciPy 导入函数。

(gh-16156)

outer 和 ufunc.outer 对于矩阵已被弃用#

使用outer或泛型ufunc外部调用（例如numpy.add.outer）时，np.matrix 的使用方法。以前，此处会将矩阵转换为数组。未来将不再执行此操作，需要手动转换为数组。

(gh-16232)

更多数值风格类型的弃用#

剩余的数值风格类型代码Bytes0、Str0、Uint32、Uint64和Datetime64已被弃用。应改用小写形式。对于字节和字符串，"S"和"U"是另外的替代方案。

(gh-16554)

ndindex的ndincr方法已弃用#

自NumPy 1.8版本以来，文档已警告不要使用此函数。使用next(it)代替it.ndincr()。

(gh-17233)

未定义__len__和__getitem__的ArrayLike对象#

定义了其中一个协议__array__、__array_interface__或__array_struct__，但不是序列（通常通过具有__len__和__getitem__来定义）的对象，在将来的数组强制转换期间的行为将有所不同。

当嵌套在序列中时，例如np.array([array_like])，这些对象被处理为单个Python对象而不是数组。将来，它们的行为将与以下情况相同：

np.array([np.array(array_like)])

此更改只有在np.array(array_like)不是0维时才有效。此警告的解决方案可能取决于对象。

  • 某些类数组对象可能期望新的行为，用户可以忽略警告。对象可以选择公开序列协议以选择加入新的行为。

  • 例如，shapely将允许使用line.coords而不是np.asarray(line)将对象转换为类数组对象。用户可以解决警告，或者在新的约定可用时使用新的约定。

不幸的是，只能通过调用np.array(array_like)来实现新的行为。

如果您希望确保旧的行为保持不变，请创建一个对象数组，然后显式地填充它，例如：

arr = np.empty(3, dtype=object)
arr[:] = [array_like1, array_like2, array_like3]

这将确保NumPy知道不要进入类数组对象并将其用作对象。

(gh-17973)

未来的更改#

数组不能使用子数组dtype#

使用np.array(arr, dtype)和arr.astype(dtype)进行数组创建和转换时，当dtype是子数组dtype（例如np.dtype("(2)i,")）时，将使用不同的逻辑。

对于这样的dtype，以下行为是正确的：

res = np.array(arr, dtype)

res.dtype is not dtype
res.dtype is dtype.base
res.shape == arr.shape + dtype.shape

但是res使用以下逻辑填充：

res = np.empty(arr.shape + dtype.shape, dtype=dtype.base)
res[...] = arr

这使用了不正确的广播（并且经常导致错误）。将来，这将改为单独转换每个元素，从而产生与以下结果相同的结果：

res = np.array(arr, dtype=np.dtype(["f", dtype]))["f"]

这通常可用于选择加入新的行为。

此更改不会影响np.array(list, dtype="(2)i,")，除非list本身包含至少一个数组。特别是，对于元组列表，行为保持不变。

(gh-17596)

已过期的弃用#

  • 数值风格类型代码np.dtype("Complex64")（使用大写拼写）的弃用已过期。"Complex64"对应于"complex128"，"Complex32"对应于"complex64"。

  • np.sctypeNA和np.typeNA的弃用已过期。两者都已从公共API中删除。改用np.typeDict。

    (gh-16554)

  • np.ctypeslib.ctypes_load_library的14年弃用已过期。改用load_library，两者相同。

    (gh-17116)

已删除的金融函数#

根据NEP 32，金融函数已从NumPy 1.20中删除。已删除的函数包括fv、ipmt、irr、mirr、nper、npv、pmt、ppmt、pv和rate。这些函数可在numpy_financial库中使用。

(gh-17067)

兼容性说明#

isinstance(dtype, np.dtype)而不是type(dtype) is not np.dtype#

NumPy dtype不再是np.dtype的直接实例。可能使用type(dtype) is np.dtype的代码将始终返回False，必须更新为使用正确的版本isinstance(dtype, np.dtype)。

如果针对早于1.16.6的NumPy版本编译，此更改还会影响C端宏PyArray_DescrCheck。如果代码使用此宏并希望针对旧版本的NumPy编译，则必须替换宏（另请参见C API更改部分）。

使用axis=None的concatenate中的相同类型转换#

当使用axis=None调用concatenate时，扁平化数组使用unsafe进行转换。任何其他轴选择都使用“相同类型”。不同的默认值已被弃用，将改为使用“相同类型”转换。新的casting关键字参数可用于保留旧的行为。

(gh-16134)

将NumPy标量赋值给数组时会进行转换#

在创建或赋值给数组时，在所有相关情况下，NumPy标量现在将与NumPy数组相同地进行转换。特别是，这改变了以前会引发错误的某些情况下的行为：

np.array([np.float64(np.nan)], dtype=np.int64)

将成功并返回未定义的结果（通常是最小的整数）。这也影响赋值：

arr[0] = np.float64(np.nan)

目前，NumPy保留以下行为：

np.array(np.float64(np.nan), dtype=np.int64)

上述更改不影响Python标量：

np.array([float("NaN")], dtype=np.int64)

保持不变（np.nan是Python float，而不是NumPy float）。与有符号整数不同，无符号整数不保留此特殊情况，因为它们的行为总是更像转换。以下代码不再引发错误：

np.array([np.float64(np.nan)], dtype=np.uint64)

为避免向后兼容性问题，目前仍然支持将datetime64标量赋值给长度过短的字符串。这意味着np.asarray(np.datetime64("2020-10-10"), dtype="S5")现在可以成功执行，而之前会失败。长期来看，这可能会被弃用，或者为了使数组和标量的赋值行为一致，可能会普遍允许这种不安全的类型转换。

混合字符串和其他类型时的数组强制转换更改#

当混合使用字符串和其他类型时，例如

np.array(["string", np.float64(3.)], dtype="S")

结果将会改变，在某些情况下可能会导致字符串dtype包含更长的字符串。特别是，如果没有提供dtype="S"，任何数值都会导致结果字符串的长度足以容纳所有可能的数值。（例如，浮点数为“S32”）。请注意，在将非字符串转换为字符串时，应始终提供dtype="S"。

如果提供了dtype="S"，结果将与之前基本相同，但是NumPy标量（不是像1.0这样的Python浮点数），仍然会强制使用统一的字符串长度。

np.array([np.float64(3.)], dtype="S")  # gives "S32"
np.array([3.0], dtype="S")  # gives "S3"

以前，第一个版本的结果与第二个版本相同。

数组强制转换重构#

数组强制转换机制已重构。一般情况下，这不会影响用户。在极少数情况下，当数组类似物嵌套时

np.array([array_like1])

现在将与以下内容保持一致：

np.array([np.array(array_like1)])

这可能会微妙地改变一些定义不明确的数组类似物的输出。一个例子是那些既不是匹配形状的序列，又是数组类似物的对象。在NumPy 1.20中，当数组类似物不是序列时会发出警告（但行为保持不变，参见弃用部分）。如果数组类似物也是序列（定义了__getitem__和__len__），NumPy现在将只使用__array__、__array_interface__或__array_struct__给出的结果。当（嵌套的）序列描述不同的形状时，这将导致差异。

(gh-16200)

写入numpy.broadcast_arrays的结果将导出只读缓冲区#

在NumPy 1.17中，numpy.broadcast_arrays在写入结果数组时开始发出警告。当通过缓冲区接口（例如memoryview(arr)）使用数组时，此警告会被跳过。现在，对于返回只读缓冲区的两个协议__array_interface__和__array_struct__，也会发生同样的事情，而不是给出警告。

(gh-16350)

数值风格的类型名称已从类型字典中删除#

为了与np.dtype("Complex64")和其他数值风格（大写）类型的弃用保持同步。这些已从np.sctypeDict和np.typeDict中删除。您应该改用小写版本。请注意，"Complex64"对应于"complex128"，而"Complex32"对应于"complex64"。NumPy风格（新的）版本表示完整大小，而不是实部/虚部的大小。

(gh-16554)

operator.concat函数现在对数组参数引发TypeError#

之前的行为是回退到加法并添加两个数组，这被认为是连接函数的意外行为。

(gh-16570)

nickname属性已从ABCPolyBase中删除#

一个抽象属性nickname已从ABCPolyBase中删除，因为它在派生的便捷类中不再使用。这可能会影响从ABCPolyBase派生类并覆盖表示和显示方法（例如__str__、__repr__、_repr_latex等）的用户。

(gh-16589)

float->timedelta和uint64->timedelta提升将引发TypeError#

浮点数和timedelta提升一致地引发TypeError。np.promote_types("float32", "m8")现在与np.promote_types("m8", "float32")一致，两者都引发TypeError。以前，np.promote_types("float32", "m8")返回"m8"，这被认为是一个错误。

Uint64和timedelta提升一致地引发TypeError。np.promote_types("uint64", "m8")现在与np.promote_types("m8", "uint64")一致，两者都引发TypeError。以前，np.promote_types("uint64", "m8")返回"m8"，这被认为是一个错误。

(gh-16592)

numpy.genfromtxt现在可以正确解包结构化数组#

以前，如果numpy.genfromtxt使用unpack=True调用，并且将结构化数据类型传递给dtype参数（或传递dtype=None并推断出结构化数据类型），则它会失败。例如

>>> data = StringIO("21 58.0\n35 72.0")
>>> np.genfromtxt(data, dtype=None, unpack=True)
array([(21, 58.), (35, 72.)], dtype=[('f0', '<i8'), ('f1', '<f8')])

结构化数组现在将正确地解包成数组列表，每个数组对应一列。

>>> np.genfromtxt(data, dtype=None, unpack=True)
[array([21, 35]), array([58., 72.])]

(gh-16650)

mgrid、r_等对于非默认精度输入始终返回正确的输出#

以前，np.mgrid[np.float32(0.1):np.float32(0.35):np.float32(0.1),]和np.r_[0:10:np.complex64(3j)]无法返回有意义的输出。此错误可能会影响mgrid、ogrid、r_和c_，当使用dtype为非默认float64和complex128以及等效Python类型的输入时。这些方法已修复，可以正确处理不同的精度。

(gh-16815)

形状不匹配的布尔数组索引现在会正确地给出IndexError#

以前，如果布尔数组索引与被索引数组的大小匹配，但与形状不匹配，则在某些情况下会错误地允许它。在其他情况下，它会给出错误，但错误是带有关于广播而不是正确IndexError消息的ValueError。

例如，以下代码以前会错误地给出ValueError: operands could not be broadcast together with shapes (2,2) (1,4)

np.empty((2, 2))[np.array([[True, False, False, False]])]

以下代码以前会错误地返回 array([], dtype=float64)

np.empty((2, 2))[np.array([[False, False, False, False]])]

现在两者都正确地返回 IndexError: boolean index did not match indexed array along dimension 0; dimension is 2 but corresponding boolean dimension is 1。

(gh-17010)

类型转换错误中断迭代#

在迭代过程中进行值类型转换时，错误可能会比以前更早地停止迭代。无论如何，类型转换失败的操作总是返回未定义的、部分结果。这些结果现在可能更加未定义和部分。对于 NpyIter C-API 的用户，此类类型转换错误现在将导致 iternext() 函数返回 0，从而中止迭代。目前，没有 API 可以直接检测到此类错误。需要检查 PyErr_Occurred()，这与 NpyIter_Reset 结合使用时可能存在问题。这些问题一直存在，但如果用户需要，可以添加新的 API。

(gh-17029)

f2py 生成的代码可能返回 Unicode 字符串而不是字节字符串#

f2py 生成的代码以前返回的一些字节字符串现在可能是 Unicode 字符串。这是 Python2 -> Python3 清理工作的结果。

(gh-17068)

__array_interface__["data"] 元组的第一个元素必须是整数#

多年来，这都是已记录的接口，但仍然有代码可以接受指针地址的字节字符串表示。该代码已被删除，现在将地址作为字节字符串传递将引发错误。

(gh-17241)

poly1d 尊重全零参数的 dtype#

以前，使用全零系数构造 poly1d 实例会将系数转换为 np.float64。这会影响内部构造 poly1d 实例的方法（例如 np.polymul）的输出 dtype。

(gh-17577)

用于 swig 的 numpy.i 文件仅适用于 Python 3。#

Python 2.7 C-API 函数的使用已更新为仅适用于 Python 3。需要旧版本的使用者应从旧版本的 NumPy 中获取。

(gh-17580)

在 np.array 中发现 void dtype#

在使用 np.array(..., dtype="V")、arr.astype("V") 和类似方法的调用中，除非所有元素都具有相同的 void 长度，否则现在将正确引发 TypeError。一个例子是

np.array([b"1", b"12"], dtype="V")

这以前返回一个 dtype 为 "V2" 的数组，该数组无法忠实地表示 b"1"。

(gh-17706)

C API 更改#

PyArray_DescrCheck 宏已修改#

自 NumPy 1.16.6 以来，PyArray_DescrCheck 宏已更新为

#define PyArray_DescrCheck(op) PyObject_TypeCheck(op, &PyArrayDescr_Type)

从 NumPy 1.20 开始，针对早期版本编译的代码将与 NumPy 1.20 的 API 不兼容。解决方法是针对 1.16.6 编译（如果 NumPy 1.16 版本是您希望支持的最旧版本），或者通过使用新的定义手动内联宏，将其替换为

PyObject_TypeCheck(op, &PyArrayDescr_Type)

这与所有 NumPy 版本兼容。

np.ndarray 和 np.void_ 的大小已更改#

PyArrayObject 和 PyVoidScalarObject 结构的大小已更改。以下头文件定义已被删除

#define NPY_SIZEOF_PYARRAYOBJECT (sizeof(PyArrayObject_fields))

因为大小不能被认为是编译时常量：它将针对不同运行时版本的 NumPy 而改变。

最有可能相关的用途是用 C 编写的潜在子类，这些子类必须重新编译并应该更新。有关更多详细信息，请参阅 PyArrayObject 的文档，如果您受到此更改的影响，请联系 NumPy 开发人员。

NumPy 将尝试给出友好的错误，但期望固定结构大小的程序可能具有未定义的行为并可能崩溃。

(gh-16938)

新特性#

numpy.all 和 numpy.any 函数的 where 关键字参数#

添加了关键字参数 where，它允许在 all 和 any 的布尔评估中仅考虑数组中的指定元素或子轴。此新关键字可通过 numpy 直接访问，也可通过 numpy.ndarray 的方法访问。

任何可广播的布尔数组或标量都可以设置为 where。如果用户未设置 where，则默认为 True，以便对数组中的所有元素评估函数。函数文档中给出了示例。

numpy 函数 mean、std、var 的 where 关键字参数#

添加了关键字参数 where，它允许将 mean、std 和 var 的计算范围限制为元素的子集。它可通过 numpy 直接访问，也可通过 numpy.ndarray 的方法访问。

任何可广播的布尔数组或标量都可以设置为 where。如果用户未设置 where，则默认为 True，以便对数组中的所有元素评估函数。函数文档中给出了示例。

(gh-15852)

norm=backward、forward numpy.fft 函数的关键字选项#

添加了关键字参数选项 norm=backward 作为 None 的别名，并作为默认选项；使用它时，直接变换未缩放，逆变换按 1/n 缩放。

使用新的关键字参数选项 norm=forward 时，直接变换按 1/n 缩放，逆变换未缩放（即与默认选项 norm=backward 正好相反）。

(gh-16476)

NumPy 现在已类型化#

已为 NumPy 的大部分内容添加了类型注释。还有一个新的 numpy.typing 模块，其中包含对最终用户有用的类型。当前可用的类型为

  • ArrayLike：对于可以强制转换为数组的对象

  • DtypeLike：对于可以强制转换为 dtype 的对象

(gh-16515)

numpy.typing 可以在运行时访问#

现在可以在运行时导入 numpy.typing 中的类型。以下代码现在可以工作了

from numpy.typing import ArrayLike
x: ArrayLike = [1, 2, 3, 4]

(gh-16558)

f2py 生成的模块的新 __f2py_numpy_version__ 属性。#

由于 f2py 与 NumPy 一起发布，__f2py_numpy_version__ 提供了一种跟踪用于生成模块的 f2py 版本的方法。

(gh-16594)

可以通过 runtests.py 运行 mypy 测试#

目前，使用配置了 NumPy 存根的 mypy 需要：

  • 安装 NumPy

  • 将源目录添加到 MYPYPATH 并链接到 mypy.ini

这两种方法都有些不方便，因此添加了 --mypy 选项到 runtests，以便为您处理设置。这在将来对于任何类型代码生成也很有用，因为它将确保在类型检查之前构建项目。

(gh-17123)

用户定义的 BLAS/LAPACK 检测顺序的反转#

distutils 允许在确定 BLAS/LAPACK 库时否定库。这可用于从库解析阶段删除项目，例如，要禁止 NetLIB 库，可以执行以下操作：

NPY_BLAS_ORDER='^blas' NPY_LAPACK_ORDER='^lapack' python setup.py build

这将改为使用任何加速库。

(gh-17219)

允许将优化参数传递给 asv build#

现在，当使用 --bench-compare 参数时，可以将 -j、--cpu-baseline、--cpu-dispatch 和 --disable-optimization 标志传递给 ASV build。

(gh-17284)

现在支持 NVIDIA HPC SDK nvfortran 编译器#

已添加对 nvfortran 编译器（pgfortran 的一个版本）的支持。

(gh-17344)

cov 和 corrcoef 的 dtype 选项#

dtype 选项现已可用于 numpy.cov 和 numpy.corrcoef。它指定返回结果应具有的数据类型。默认情况下，这些函数仍然返回 numpy.float64 结果。

(gh-17456)

改进#

改进的多项式的字符串表示 (__str__)#

numpy.polynomial 中所有六种多项式类型的字符串表示 (__str__) 已更新，以便将多项式作为数学表达式而不是系数数组给出。提供了两种针对多项式表达式的包级格式——一种使用 Unicode 字符表示上标和下标，另一种仅使用 ASCII 字符。

(gh-15666)

删除 Accelerate 库作为候选 LAPACK 库#

Apple 不再支持 Accelerate。将其删除。

(gh-15759)

包含多行对象的数组对象具有更易读的 repr#

如果对象数组的元素具有包含换行符的 repr，则换行的行将按列对齐。值得注意的是，这改进了嵌套数组的 repr。

>>> np.array([np.eye(2), np.eye(3)], dtype=object)
array([array([[1., 0.],
              [0., 1.]]),
       array([[1., 0., 0.],
              [0., 1., 0.],
              [0., 0., 1.]])], dtype=object)

(gh-15997)

Concatenate 支持提供输出 dtype#

已向 concatenate 添加了支持，可以使用关键字参数提供输出 dtype 和 casting。dtype 参数不能与 out 参数一起提供。

(gh-16134)

线程安全的 f2py 回调函数#

f2py 中的回调函数现在是线程安全的。

(gh-16519)

numpy.core.records.fromfile 现在支持类文件对象#

numpy.core.records.fromfile 现在可以使用类文件对象，例如 io.BytesIO

(gh-16675)

向 distutils 添加了 AIX 上的 RPATH 支持#

这允许在 AIX 上构建 SciPy。

(gh-16710)

使用命令行参数指定的 f90 编译器#

在 numpy.distutils.fcompiler 中更改了 Fortran Portland Group 编译器的编译器命令选择。这仅影响链接命令。这强制使用命令行选项（如果提供）提供的可执行文件，而不是 pgfortran 可执行文件。如果未向命令行选项提供可执行文件，则默认为 pfg90 可执行文件，根据 PGI 文档，它是 pgfortran 的别名。

(gh-16730)

为 Cython 3.0 及更高版本添加 NumPy 声明#

Cython 3.0 的 pxd 声明已改进，以避免使用已弃用的 NumPy C-API 功能。使用 Cython 3.0+ 构建并使用 NumPy 的扩展模块现在可以设置 C 宏 NPY_NO_DEPRECATED_API=NPY_1_7_API_VERSION 以避免有关已弃用 API 用法的 C 编译器警告。

(gh-16986)

使窗口函数完全对称#

确保 NumPy 提供的窗口函数是对称的。以前由于数值精度原因导致与对称性存在细微偏差，现在通过更好的计算安排避免了这些偏差。

(gh-17195)

性能改进和更改#

启用多平台 SIMD 编译器优化#

一系列针对 NumPy 基础架构的改进，为 **NEP-38** 铺平了道路，其总结如下：

  • 新的构建参数

    • --cpu-baseline 用于指定所需的最小优化集，默认值为 min，它提供可以在广泛的用户平台上安全运行的最小 CPU 功能。

    • --cpu-dispatch 用于指定额外优化的调度集，默认值为 max -xop -fma4，它启用所有 CPU 功能，但 AMD 遗留功能除外。

    • --disable-optimization 用于明确禁用所有新的改进，它还添加了一个新的 **C** 编译器 #定义，称为 NPY_DISABLE_OPTIMIZATION，它可以用作任何 SIMD 代码的保护。

  • 高级 CPU 调度程序

    一个灵活的跨架构 CPU 调度程序，构建在 Python/Numpy distutils 之上，支持所有具有广泛 CPU 功能的常用编译器。

    新的调度程序需要一个特殊的扩展名 *.dispatch.c 来标记可调度的 **C** 源文件。这些源文件可以多次编译，每次编译过程都表示某些 CPU 功能，并提供影响代码路径的不同 #定义和标志。

  • 新的自动生成的 C 头文件 ``core/src/common/_cpu_dispatch.h``

    此头文件由 distutils 模块 ccompiler_opt 生成，并包含所有指令集的 #定义和头文件，这些指令集已通过命令参数 ‘–cpu-baseline’ 和 ‘–cpu-dispatch’ 进行配置。

  • 新的 C 头文件 ``core/src/common/npy_cpu_dispatch.h``

    此头文件包含整个 CPU 调度过程所需的所有实用程序，它也可以被认为是将新的基础架构工作与 NumPy CPU 运行时检测链接起来的桥梁。

  • 向 NumPy umath 模块（Python 层）添加新属性

    • __cpu_baseline__ 一个包含根据命令参数 ‘–cpu-baseline’ 指定的值由编译器和平台支持的所需最小优化集的列表。

    • __cpu_dispatch__ 一个包含根据命令参数 ‘–cpu-dispatch’ 指定的值由编译器和平台支持的额外优化的调度集的列表。

  • 在运行 PytestTester 时打印支持的 CPU 功能

(gh-13516)

更改#

np.linspace 整数输入现在使用向下取整#

在numpy.linspace中使用int数据类型时，以前浮点值会向零舍入。现在改为使用numpy.floor，它会向-inf舍入。这会改变负数值的结果。例如，以下代码以前会输出：

>>> np.linspace(-3, 1, 8, dtype=int)
array([-3, -2, -1, -1,  0,  0,  0,  1])

现在输出：

>>> np.linspace(-3, 1, 8, dtype=int)
array([-3, -3, -2, -2, -1, -1,  0,  1])

以前的结果仍然可以通过以下方式获得：

>>> np.linspace(-3, 1, 8).astype(int)
array([-3, -2, -1, -1,  0,  0,  0,  1])

(gh-16841)

本页内容