numpy.round#
- numpy.round(a, decimals=0, out=None)[source]#
将数组四舍五入到指定的位数。
- 参数:
- aarray_like
输入数据。
- decimalsint, 可选
要舍入到的十进制位数(默认值:0)。如果 decimals 为负数,则指定小数点左侧的位置数。
- outndarray, 可选
放置结果的备用输出数组。它必须与预期输出具有相同的形状,但如果需要,输出值的类型将被强制转换。有关详细信息,请参阅输出类型确定。
- 返回值:
- rounded_arrayndarray
与 a 类型相同的数组,包含舍入后的值。除非指定了 out,否则将创建一个新数组。返回对结果的引用。
复数的实部和虚部分别进行舍入。浮点数舍入的结果为浮点数。
备注
对于正好位于舍入后的十进制值之间的值,NumPy 会舍入到最接近的偶数值。因此,1.5 和 2.5 舍入到 2.0,-0.5 和 0.5 舍入到 0.0,依此类推。
np.round
使用一种快速但有时不精确的算法来舍入浮点数据类型。对于正 decimals,它等效于np.true_divide(np.rint(a * 10**decimals), 10**decimals)
,由于 IEEE 浮点标准中十进制分数的表示不精确 [1] 以及按十的幂缩放时引入的误差,因此存在误差。例如,请注意以下内容中的额外“1”>>> np.round(56294995342131.5, 3) 56294995342131.51
如果您的目标是以固定的小数位数打印这些值,最好使用 NumPy 的浮点数打印例程来限制打印的小数位数
>>> np.format_float_positional(56294995342131.5, precision=3) '56294995342131.5'
浮点数打印例程使用一种准确但计算量大得多的算法来计算小数点后的位数。
或者,Python 的内置
round
函数对 64 位浮点数使用更准确但更慢的算法>>> round(56294995342131.5, 3) 56294995342131.5 >>> np.round(16.055, 2), round(16.055, 2) # equals 16.0549999999999997 (16.06, 16.05)
参考文献
[1]“IEEE 754 状态讲义”,William Kahan,https://people.eecs.berkeley.edu/~wkahan/ieee754status/IEEE754.PDF
示例
>>> import numpy as np >>> np.round([0.37, 1.64]) array([0., 2.]) >>> np.round([0.37, 1.64], decimals=1) array([0.4, 1.6]) >>> np.round([.5, 1.5, 2.5, 3.5, 4.5]) # rounds to nearest even value array([0., 2., 2., 4., 4.]) >>> np.round([1,2,3,11], decimals=1) # ndarray of ints is returned array([ 1, 2, 3, 11]) >>> np.round([1,2,3,11], decimals=-1) array([ 0, 0, 0, 10])