NumPy 1.15.0 版本说明#

NumPy 1.15.0 版本包含大量清理工作、许多旧函数的弃用以及对许多现有函数的改进。请阅读下面的详细说明，查看您是否受影响。

对于测试，我们已切换到 pytest，以替换不再维护的 nose 框架。旧的基于 nose 的接口仍然保留，供可能仍在使用它的下游项目使用。

此版本支持的 Python 版本为 2.7、3.4-3.7。轮子与 OpenBLAS v0.3.0 链接，这应该可以修复 NumPy 1.14 中报告的一些 linalg 问题。

亮点#

  • NumPy 已切换到 pytest 进行测试。

  • 新的 numpy.printoptions 上下文管理器。

  • 对直方图函数的许多改进。

  • 在 Python 2.7 中支持 Unicode 字段名称。

  • 改进了对 PyPy 的支持。

  • 对 numpy.einsum 的修复和改进。

新函数#

  • numpy.gcd 和 numpy.lcm，用于计算最大公约数和最小公倍数。

  • numpy.ma.stack，numpy.stack 数组连接函数推广到掩码数组。

  • numpy.quantile 函数，一个无需 100 系数的 percentile 接口

  • numpy.nanquantile 函数，一个无需 100 系数的 nanpercentile 接口

  • numpy.printoptions，一个上下文管理器，可以临时设置打印选项，用于 with 块的范围

    >>> with np.printoptions(precision=2):
...     print(np.array([2.0]) / 3)
[0.67]

  • numpy.histogram_bin_edges，一个函数，用于获取直方图使用的箱的边缘，而无需计算直方图。

  • 已添加 C 函数 npy_get_floatstatus_barrier 和 npy_clear_floatstatus_barrier 来处理编译器优化更改操作顺序的情况。有关详细信息，请参见下文。

弃用#

  • 内置 pickle 函数的别名已弃用，推荐使用未加别名的 pickle.<func> 名称

    • numpy.loads

    • numpy.core.numeric.load

    • numpy.core.numeric.loads

    • numpy.ma.loads，numpy.ma.dumps

    • numpy.ma.load，numpy.ma.dump - 这些函数在 Python 3 中使用字符串调用时已失败。

  • 使用除元组之外的任何内容进行多维索引已被弃用。这意味着 ind = [slice(None), 0]; arr[ind] 中的索引列表应更改为元组，例如 ind = [slice(None), 0]; arr[tuple(ind)] 或 arr[(slice(None), 0)]。此更改对于避免诸如 arr[[[0, 1], [0, 1]]] 之类的表达式中的歧义是必要的，当前解释为 arr[array([0, 1]), array([0, 1])]，将来将解释为 arr[array([[0, 1], [0, 1]])]。

  • 以下子模块的导入已被弃用，它们将在未来的某个时间点被删除。

    • numpy.testing.utils

    • numpy.testing.decorators

    • numpy.testing.nosetester

    • numpy.testing.noseclasses

    • numpy.core.umath_tests

  • 向 numpy.sum 提供生成器现在已被弃用。这是未记录的行为，但可以工作。以前，它会计算生成器表达式的总和。将来，它可能会返回不同的结果。请改用 np.sum(np.from_iter(generator)) 或内置的 Python sum。

  • C-API 的用户应在释放数组之前，对任何设置了 WRITEBACKIFCOPY 标志的数组调用 PyArrayResolveWriteBackIfCopy 或 PyArray_DiscardWritebackIfCopy。如果在需要时未使用这些调用，则会发出弃用警告。

  • nditer 的用户应在迭代器操作数之一可写时始终将 nditer 对象用作上下文管理器，以便 numpy 可以管理回写语义，或者应调用 it.close()。否则，在这些情况下可能会发出 RuntimeWarning。

  • np.histogram 的 normed 参数（很久以前在 1.6.0 中已弃用）现在会发出 DeprecationWarning。

未来的更改#

  • NumPy 1.16 将停止支持 Python 3.4。

  • NumPy 1.17 将停止支持 Python 2.7。

兼容性说明#

已重命名并设为私有的编译测试模块#

以下编译模块已重命名并设为私有

  • umath_tests -> _umath_tests

  • test_rational -> _rational_tests

  • multiarray_tests -> _multiarray_tests

  • struct_ufunc_test -> _struct_ufunc_tests

  • operand_flag_tests -> _operand_flag_tests

umath_tests 模块仍可用于向后兼容，但将在将来删除。

np.savez 返回的 NpzFile 现在是 collections.abc.Mapping#

这意味着它的行为类似于只读字典，并具有新的 .values() 方法和 len() 实现。

对于 Python 3，这意味着 .iteritems()、.iterkeys() 已被弃用，而 .keys() 和 .items() 现在返回视图而不是列表。这与 Python 2 和 Python 3 之间内置 dict 类型更改的方式一致。

在某些情况下，必须在上下文管理器中使用 nditer#

当使用带有"writeonly"或"readwrite"标志的numpy.nditer时，某些情况下，nditer实际上并不会提供可写数组的视图。相反，它会提供一个副本，如果您更改了副本，nditer稍后会将这些更改写回您的实际数组。目前，这种回写发生在数组对象被垃圾回收时，这使得该API在CPython上容易出错，在PyPy上完全失效。因此，当nditer与可写数组一起使用时，现在应将其用作上下文管理器，例如with np.nditer(...) as it: ...。对于上下文管理器不可用的情况，例如在生成器表达式中，您也可以显式调用it.close()。

NumPy已切换到使用pytest进行测试，而不是nose#

nose的最后一个版本是2015年6月的1.3.7，该工具的开发已结束，因此NumPy现在已切换到使用pytest。某些下游项目以前使用的一些旧装饰器和nose工具仍然可用，但将不再维护。标准测试实用程序（例如assert_almost_equal）不会受到此更改的影响，但nose特定函数import_nose和raises除外。这些函数在numpy中未使用，但为了下游兼容性而保留。

NumPy不再使用__array_interface__修补ctypes#

以前，numpy会将__array_interface__属性添加到ctypes中的所有整数类型。

np.ma.notmasked_contiguous和np.ma.flatnotmasked_contiguous始终返回列表#

这是文档化的行为，但以前结果可能是切片、None或列表中的任何一个。

所有下游用户似乎都在检查flatnotmasked_contiguous返回的None结果，并将其替换为[]。这些调用者将继续像以前一样工作。

np.squeeze恢复了无法处理axis参数的对象的旧行为#

在1.7.0版本之前，numpy.squeeze没有axis参数，并且默认情况下所有空轴都被移除。加入axis参数使得可以选择性地压缩单个或多个空轴成为可能，但是旧的API期望没有得到遵守，因为仍然可以从期望删除所有空轴的对象中选择性地移除轴（静默成功）。针对期望旧行为的对象，这种静默选择性地移除空轴的问题已得到修复，并恢复了旧的行为。

非结构化void数组的.item方法现在返回一个bytes对象#

.item现在返回一个bytes对象，而不是缓冲区或字节数组。这可能会影响假设返回值是可变的代码，这种情况现在不再存在。

copy.copy和copy.deepcopy不再将masked转换为数组#

由于np.ma.masked是只读标量，因此复制应该是一个无操作。这些函数现在与np.copy()的行为一致。

结构化数组的多字段索引仍将返回副本#

结构化数组的多字段索引返回视图而不是副本的更改已推迟到1.16版本。为了帮助减轻此更改的影响，引入了一种新方法numpy.lib.recfunctions.repack_fields，该方法可用于编写与numpy 1.15和1.16都兼容的代码。有关如何更新代码以适应此未来更改的更多信息，请参阅用户指南中的“访问多个字段”部分。

C API更改#

新增函数npy_get_floatstatus_barrier和npy_clear_floatstatus_barrier#

已添加函数npy_get_floatstatus_barrier和npy_clear_floatstatus_barrier，应将其用于代替npy_get_floatstatus和npy_clear_status函数。当在ufunc SIMD函数中使用以前的函数时，像GCC 8.1和Clang这样的优化编译器会重新排列操作顺序，导致在运行我们想要检查其状态的操作之前检查floatstatus标志。参见#10339。

对PyArray_GetDTypeTransferFunction的更改#

PyArray_GetDTypeTransferFunction现在默认情况下使用用户定义的copyswapn/copyswap来处理用户定义的dtype。如果这会导致严重的性能下降，请考虑实现copyswapn以反映PyArray_GetStridedCopyFn的实现。参见#10898。

新功能#

为整数和对象类型添加了np.gcd和np.lcm ufunc#

这些分别计算最大公约数和最小公倍数。它们适用于所有numpy整数类型，以及内置的任意精度Decimal和long类型。

支持iOS的跨平台构建#

构建系统已修改为添加对_PYTHON_HOST_PLATFORM环境变量的支持，该变量在跨平台编译时由distutils使用。这使得可以为iOS目标编译NumPy。

这仅允许您一次为一个特定平台编译NumPy。创建完全兼容iOS的NumPy包需要为iOS支持的5种架构（i386、x86_64、armv7、armv7s和arm64）进行构建，并将这5个编译后的构建产品组合成单个“fat”二进制文件。

为np.intersect1d添加了return_indices关键字#

新的关键字return_indices返回对应于公共元素的两个输入数组的索引。

np.quantile和np.nanquantile#

类似于np.percentile和np.nanpercentile，但是采用[0, 1]范围内的分位数而不是[0, 100]范围内的百分位数。np.percentile现在是np.quantile的薄包装器，多了一个除以100的步骤。

构建系统#

添加了对64位RISC-V架构的实验性支持。

改进#

np.einsum更新#

同步numpy和opt_einsum之间的einsum路径优化技术。特别是，greedy路径已由@jcmgray进行了许多增强。已修复问题的完整列表如下：

  • 可以将任意内存传递到greedy路径中。修复了gh-11210。

  • greedy路径已更新为包含更多动态规划思想，避免了大量重复（且代价高昂）的调用，这些调用计算实际发生的配对收缩。现在在数百个输入张量上只需几秒钟即可完成。对于矩阵产品状态理论很有用。

  • 重新设计了在gh-11218 gh-10352中发现的广播点错误捕获，使其在流程中更早一些。

  • 增强了can_dot功能，该功能以前错过了一个边缘情况（gh-11308的一部分）。

np.flip可以跨多个轴操作#

np.flip现在在其axis参数中接受None或整数元组。如果axis为None，它将翻转所有轴。

histogram 和 histogramdd 函数已移动到 np.lib.histograms#

这些函数最初位于 np.lib.function_base 中。它们仍然可以通过未限定的名称 np.histogram(dd) 使用，并且为了保持兼容性，还在 np.lib.function_base.histogram(dd) 处创建了别名。

使用 from np.lib.function_base import * 的代码需要更新为新的位置，并且应该考虑在将来避免使用 import *。

当给出显式 bin 时，histogram 将接受 NaN 值#

之前，在尝试计算数据的有限范围时会失败。由于当显式给出 bin 时范围会被忽略，因此此错误是多余的。

请注意，对 NaN 值调用 histogram 将继续引发处理 nan 值时常见的 RuntimeWarning，这可以使用 errstate 像往常一样消除。

当给出显式 bin 边界时，histogram 可用于 datetime 类型#

现在可以对日期、时间和时间差进行直方图统计。必须显式传递 bin 边界，目前尚不能自动计算。

histogram 的“auto”估计器更好地处理有限方差#

IQR 为 0 不会再导致 n_bins=1，在这种情况下，选择的 bin 数量与数据大小相关。

histogram 和 histogramdd 返回的边界现在与数据浮点类型匹配#

当传递 np.float16、np.float32 或 np.longdouble 数据时，返回的边界现在具有相同的 dtype。之前，只有在给出显式 bin 时，histogram 才会返回相同的类型，而无论输入是什么，histogram 都会产生 float64 bin。

histogramdd 允许在部分轴上给出显式范围#

numpy.histogramdd 的 range 参数现在可以包含 None 值，表示应根据数据计算相应轴的范围。以前，这无法按轴进行指定。

histogramdd 和 histogram2d 的 normed 参数已重命名#

这些参数现在称为 density，这与 histogram 保持一致。旧参数仍然有效，但应优先使用新名称。

np.r_ 可用于 0d 数组，np.ma.mr_ 可用于 np.ma.masked#

现在，传递给 r_ 和 mr_ 连接帮助器的 0d 数组被视为长度为 1 的数组。以前，传递这些数组会出错。因此，numpy.ma.mr_ 现在可以正确处理 masked 常量。

np.ptp 接受 keepdims 参数并扩展轴元组#

np.ptp（峰峰值）现在可以像 np.max 和 np.min 一样在多个轴上工作。

MaskedArray.astype 现在与 ndarray.astype 相同#

这意味着它接受所有相同的参数，使得为 ndarray 编写的更多代码也可以用于掩码数组。

在编译时启用 AVX2/AVX512#

更改 simd.inc.src 以允许在编译时使用 AVX2 或 AVX512。以前，即使其余代码使用了 AVX2，使用 -march=native 编译 avx2（或 512）仍然会为 simd 函数使用 SSE 代码。

nan_to_num 在接收标量或 0d 输入时始终返回标量#

以前，对于整数标量输入会返回一个数组，这与浮点输入的行为以及 ufunc 的一般行为不一致。对于所有类型的标量或 0d 输入，结果现在都是标量。

np.flatnonzero 可用于可转换为 numpy 的类型#

np.flatnonzero 现在使用 np.ravel(a) 代替 a.ravel()，因此它可以用于列表、元组等。

np.interp 返回 numpy 标量而不是内置标量#

以前 np.interp(0.5, [0, 1], [10, 20]) 会返回一个 float，但现在它返回一个 np.float64 对象，这更接近其他函数的行为。

此外，不再支持 np.interp(object_array_0d, ...) 的特殊情况，因为无论如何都不支持 np.interp(object_array_nd)。

由于此更改，现在可以在 0d 数组上使用 period 参数。

允许在 Python 2 中使用 Unicode 作为 dtype 字段名#

以前，在 Python 2 中，np.dtype([(u'name', float)]) 会引发 TypeError，因为字段名只允许使用字节字符串。现在，任何 Unicode 字符串字段名都将使用 ascii 编码器进行编码，并在失败时引发 UnicodeEncodeError。

此更改使使用 from __future__ import unicode_literals 编写 Python 2/3 兼容代码更容易，这在以前会导致字符串字面量字段名在 Python 2 中引发 TypeError。

比较 ufunc 接受 dtype=object，覆盖默认的 bool#

这允许包含符号类型的对象数组（覆盖 == 和其他运算符以返回表达式）使用 np.equal(a, b, dtype=object) 进行逐元素比较。

sort 函数接受 kind='stable'#

到目前为止，要对数据进行稳定排序，用户必须执行以下操作：

>>> np.sort([5, 2, 6, 2, 1], kind='mergesort')
[1, 2, 2, 5, 6]

因为合并排序是 NumPy 中唯一可用的稳定排序算法。但是，使用 kind='mergesort' 并不能明确表明用户想要执行稳定排序，从而影响可读性。

此更改允许用户指定 kind='stable'，从而明确其意图。

对于就地累加，不要创建临时副本#

当 ufunc 执行累加时，由于输入和输出之间的重叠，它们不再创建临时副本，也就是说，在累加结果存储到位之前，会添加下一个累加的元素，因此重叠是安全的。避免复制可以加快执行速度。

linalg.matrix_power 现在可以处理矩阵堆栈#

与linalg中的其他函数一样，matrix_power现在可以处理维度大于2的数组，这些数组被视为矩阵堆栈。作为更改的一部分，为了进一步提高一致性，第一个参数的名称已更改为a（从M），非方阵的异常已更改为LinAlgError（从ValueError）。

提高了random.permutation中多维数组的性能#

permutation对所有输入数组维度都使用random.shuffle中的快速路径。以前，快速路径仅用于一维数组。

广义ufunc现在接受axes、axis和keepdims参数#

可以通过传递axes参数（包含特定轴索引的元组列表）来控制广义ufunc作用的轴。例如，对于矩阵乘法合适的签名(i,j),(j,k)->(i,k)，基元素是二维矩阵，这些矩阵存储在每个参数的最后两个轴中。相应的axes关键字将是[(-2, -1), (-2, -1), (-2, -1)]。如果要使用前导维度，则应传入[(0, 1), (0, 1), (0, 1)]。

为简便起见，对于作用于一维数组（向量）的广义ufunc，接受单个整数而不是单个元素的元组；对于所有输出都是标量的广义ufunc，可以省略（空）输出元组。因此，对于内积合适的签名(i),(i)->()，可以传入axes=[0, 0]来指示向量存储在两个输入参数的第一个维度中。

作为快捷方式，对于类似于归约的广义ufunc（例如上面的内积示例），即作用于单个共享核心维度，可以使用axis参数。这等效于使用具有相同条目的axes传递所有具有该核心维度的参数（例如，对于上面的示例，axes=[(axis,), (axis,)]）。

此外，与归约类似，对于所有输入具有相同数量的核心维度且输出没有核心维度的广义ufunc，可以传入keepdims以在输出中保留大小为1的维度，从而允许针对原始输入进行正确的广播。可以使用axes控制额外维度的位置。例如，对于内积示例，keepdims=True, axes=[-2, -2, -2]将作用于内积示例，keepdims=True, axis=-2将作用于输入参数的倒数第二个维度，并在输出的相应位置保留大小为1的维度。

float128值现在可以在ppc系统上正确打印#

以前，由于这些系统上的特殊双精度浮点格式未被考虑在内，因此在ppc上打印float128值存在错误。float128现在以正确的舍入和唯一性打印。

对ppc用户的警告：如果glibc版本<=2.23，则应升级glibc，尤其是在使用float128时。在ppc上，这些版本的glibc的malloc经常会错误地对齐分配的内存，这在使用float128值时可能会导致numpy崩溃。

新增np.take_along_axis和np.put_along_axis函数#

当用于多维数组时，argsort、argmin、argmax和argpartition返回难以用作索引的数组。take_along_axis提供了一种简单的方法来使用这些索引查找数组中的值，因此

np.take_along_axis(a, np.argsort(a, axis=axis), axis=axis)

与

np.sort(a, axis=axis)

np.put_along_axis作为写入数组中这些索引的双重操作。

本页内容