类型提示 (numpy.typing
)#
版本 1.20 中的新功能。
NumPy API 的大部分内容都具有 PEP 484 样式的类型标注。此外,还提供了一些类型别名供用户使用,其中最突出的是以下两个
Mypy 插件#
版本 1.21 中的新功能。
一个用于管理一些平台特定标注的 mypy 插件。其功能可以分为三个不同的部分
为某些
number
子类的(平台相关的)精度赋值,包括int_
、intp
和longlong
等。有关受影响类的全面概述,请参阅有关 标量类型 的文档。如果没有插件,所有相关类的精度都将被推断为Any
。移除所有在相关平台上不可用的扩展精度
number
子类。最值得注意的是,这包括float128
和complex256
等。如果没有插件,在 mypy 看来,所有扩展精度类型都对所有平台可用。为
c_intp
赋值(平台相关的)精度。如果没有插件,该类型将默认为ctypes.c_int64
。版本 1.22 中的新功能。
示例#
要启用插件,必须将其添加到 mypy 的 配置文件 中
[mypy]
plugins = numpy.typing.mypy_plugin
与运行时 NumPy API 的差异#
NumPy 非常灵活。尝试静态描述所有可能性会导致类型不太有用。因此,类型化的 NumPy API 通常比运行时 NumPy API 更加严格。本节介绍了一些显著的差异。
ArrayLike#
ArrayLike
类型试图避免创建对象数组。例如,
>>> np.array(x**2 for x in range(10))
array(<generator object <genexpr> at ...>, dtype=object)
是有效的 NumPy 代码,它将创建一个 0 维对象数组。但是,当使用 NumPy 类型时,类型检查器会对上述示例提出抱怨。如果您确实打算执行上述操作,则可以使用 # type: ignore
注释
>>> np.array(x**2 for x in range(10)) # type: ignore
或将数组类对象显式类型化为 Any
>>> from typing import Any
>>> array_like: Any = (x**2 for x in range(10))
>>> np.array(array_like)
array(<generator object <genexpr> at ...>, dtype=object)
ndarray#
可以在运行时更改数组的 dtype。例如,以下代码有效
>>> x = np.array([1, 2])
>>> x.dtype = np.bool
类型不允许这种类型的更改。想要编写静态类型代码的用户应改用 numpy.ndarray.view
方法来创建具有不同 dtype 的数组视图。
DTypeLike#
DTypeLike
类型尝试避免使用如下所示的字段字典创建 dtype 对象
>>> x = np.dtype({"field1": (float, 1), "field2": (int, 3)})
尽管这是有效的 NumPy 代码,但类型检查器会对此提出抱怨,因为不鼓励使用它。请参阅:数据类型对象
数字精度#
numpy.number
子类的精度被视为不变的泛型参数(请参阅 NBitBase
),简化了涉及基于精度的强制转换的过程的标注。
>>> from typing import TypeVar
>>> import numpy as np
>>> import numpy.typing as npt
>>> T = TypeVar("T", bound=npt.NBitBase)
>>> def func(a: "np.floating[T]", b: "np.floating[T]") -> "np.floating[T]":
... ...
因此,float16
、float32
和 float64
仍然是 floating
的子类型,但是,与运行时相反,它们不一定会被视为子类。
Timedelta64#
timedelta64
类不被视为 signedinteger
的子类,在进行静态类型检查时,前者仅继承自 generic
。
0D 数组#
在运行时,numpy 会积极地将任何传递的 0D 数组强制转换为其对应的 generic
实例。在引入形状类型之前(请参阅 PEP 646),不幸的是无法在 0D 和 >0D 数组之间进行必要的区分。虽然这并不完全正确,但所有可能执行 0D 数组 -> 标量强制转换的操作当前都标注为仅返回 ndarray
。
如果事先知道某个操作将执行 0D 数组 -> 标量强制转换,则可以考虑使用 typing.cast
或 # type: ignore
注释手动解决此问题。
记录数组 dtype#
numpy.recarray
的 dtype 和通常的 创建记录数组 函数可以通过以下两种方式之一指定
直接通过
dtype
参数。使用最多五个辅助参数,这些参数通过
numpy.rec.format_parser
操作:formats
、names
、titles
、aligned
和byteorder
。
这两种方法当前被类型化为互斥的,即如果指定了 dtype
,则不能指定 formats
。虽然在运行时不会(严格)强制执行这种互斥性,但组合这两种 dtype 说明符可能会导致意外甚至完全错误的行为。
API#
- numpy.typing.ArrayLike = typing.Union[...]#
-
其中包括:
标量。
(嵌套)序列。
实现 __array__ 协议的对象。
版本 1.20 中的新功能。
参见
- array_like:
任何可解释为 ndarray 的标量或序列。
示例
>>> import numpy as np >>> import numpy.typing as npt >>> def as_array(a: npt.ArrayLike) -> np.ndarray: ... return np.array(a)
- numpy.typing.DTypeLike = typing.Union[...]#
-
其中包括:
版本 1.20 中的新功能。
参见
- 指定和构建数据类型
所有可强制转换为数据类型的对象的全面概述。
示例
>>> import numpy as np >>> import numpy.typing as npt >>> def as_dtype(d: npt.DTypeLike) -> np.dtype: ... return np.dtype(d)
- numpy.typing.NDArray = numpy.ndarray[typing.Any, numpy.dtype[+_ScalarType_co]]#
np.ndarray[Any, np.dtype[+ScalarType]]
类型别名,关于其dtype.type
为 泛型。可以在运行时用于为具有给定 dtype 和未指定形状的数组进行类型提示。
版本 1.21 中的新功能。
示例
>>> import numpy as np >>> import numpy.typing as npt >>> print(npt.NDArray) numpy.ndarray[typing.Any, numpy.dtype[+_ScalarType_co]] >>> print(npt.NDArray[np.float64]) numpy.ndarray[typing.Any, numpy.dtype[numpy.float64]] >>> NDArrayInt = npt.NDArray[np.int_] >>> a: NDArrayInt = np.arange(10) >>> def func(a: npt.ArrayLike) -> npt.NDArray[Any]: ... return np.array(a)
- class numpy.typing.NBitBase[source]#
表示静态类型检查期间
numpy.number
精度的类型。仅用于静态类型检查的目的,
NBitBase
表示一组分层子类的基类。每个后续子类在此处用于表示更低的精度级别,例如64Bit > 32Bit > 16Bit
。版本 1.20 中的新功能。
示例
下面是一个典型的用法示例:
NBitBase
在此处用于标注一个函数,该函数以任意精度的浮点数和整数作为参数,并返回一个新的浮点数,其精度为两者中最大的(例如np.float16 + np.int64 -> np.float64
)。>>> from __future__ import annotations >>> from typing import TypeVar, TYPE_CHECKING >>> import numpy as np >>> import numpy.typing as npt >>> T1 = TypeVar("T1", bound=npt.NBitBase) >>> T2 = TypeVar("T2", bound=npt.NBitBase) >>> def add(a: np.floating[T1], b: np.integer[T2]) -> np.floating[T1 | T2]: ... return a + b >>> a = np.float16() >>> b = np.int64() >>> out = add(a, b) >>> if TYPE_CHECKING: ... reveal_locals() ... # note: Revealed local types are: ... # note: a: numpy.floating[numpy.typing._16Bit*] ... # note: b: numpy.signedinteger[numpy.typing._64Bit*] ... # note: out: numpy.floating[numpy.typing._64Bit*]