NumPy 1.9.0 版本说明#

此版本支持 Python 2.6 - 2.7 和 3.2 - 3.4。

亮点#

  • 在各个领域进行了大量的性能改进，最值得注意的是索引和对小数组的操作速度显著提高。索引操作现在也释放了 GIL。

  • 添加了nanmedian 和 nanpercentile，完善了 nanfunction 集。

放弃的支持#

  • 已移除 oldnumeric 和 numarray 模块。

  • 已移除 doc/pyrex 和 doc/cython 目录。

  • 已移除 doc/numpybook 目录。

  • 已移除 numpy/testing/numpytest.py 文件及其包含的 importall 函数。

未来的更改#

  • numpy/polynomial/polytemplate.py 文件将在 NumPy 1.10.0 中移除。

  • NumPy 1.10.0 中原地操作的默认转换将更改为“same_kind”。这肯定会破坏当前忽略警告的一些代码。

  • 在 1.10.0 中，宽松的步幅检查将成为默认设置。

  • 字符串版本检查将失效，例如，“1.9” > “1.10” 为 True。已添加 NumpyVersion 类，可用于此类比较。

  • diagonal 和 diag 函数将在 1.10.0 中返回可写视图。

  • 在 Python 3 中，S 和/或 a 数据类型可能会更改为表示 Python 字符串而不是字节，这两种类型非常不同。

兼容性说明#

diagonal 和 diag 函数返回只读视图。#

在 NumPy 1.8 中，diagonal 和 diag 函数返回只读副本，在 NumPy 1.9 中返回只读视图，在 1.10 中将返回可写视图。

特殊标量浮点值不再导致向上转换为双精度#

在之前的 NumPy 版本中，涉及包含特殊值NaN、Inf 和 -Inf 的浮点标量的操作会导致结果类型至少为float64。由于特殊值可以在最小的可用浮点类型中表示，因此不再执行向上转换。

例如，

np.array([1.], dtype=np.float32) * float('nan')

的数据类型现在保持为float32，而不是转换为float64。涉及非特殊值的操作没有更改。

百分位数输出更改#

如果给定多个要计算的百分位数，numpy.percentile 将返回一个数组而不是列表。单个百分位数仍然返回一个标量。该数组相当于通过np.array将旧版本中返回的列表转换为数组。

如果使用了overwrite_input选项，则仅部分排序输入，而不是完全排序。

ndarray.tofile 异常类型#

所有tofile异常现在都是IOError，之前有些是ValueError。

无效填充值异常#

numpy.ma.core._check_fill_value 的两个更改

  • 当填充值是字符串且数组类型不是“OSUV”之一时，将引发 TypeError，而不是使用默认填充值。

  • 当填充值超过数组类型时，将引发 TypeError，而不是 OverflowError。

多项式类不再派生自 PolyBase#

这可能会导致依赖于从 PolyBase 派生的多项式类的用户出现问题。它们现在都派生自抽象基类 ABCPolyBase。严格来说，应该涉及弃用，但找不到使用旧基类的外部代码。

使用 numpy.random.binomial 可能会更改 RNG 状态与 numpy < 1.9 的对比#

已修复生成二项式随机变量的算法之一中的错误。此更改可能会改变执行的随机抽取次数，因此调用 distribution.c::rk_binomial_btpe 后，序列位置将不同。任何依赖于 RNG 处于已知状态的测试都应检查和/或更新。

随机种子强制为 32 位无符号整数#

np.random.seed 和 np.random.RandomState 现在如果种子无法安全地转换为 32 位无符号整数，则会抛出 ValueError。现在失败的应用程序可以通过将更高的 32 位值屏蔽为零来修复：seed = seed & 0xFFFFFFFF。这在旧版本中是默默完成的，因此随机流保持不变。

Argmin 和 argmax 输出参数#

out 参数到 np.argmin 和 np.argmax 及其等效的 C-API 函数现在被检查以完全匹配所需的输出形状。如果检查失败，则会引发 ValueError 而不是 TypeError。

Einsum#

移除不必要的广播表示法限制。np.einsum('ijk,j->ijk', A, B) 也可以写成 np.einsum('ij...,j->ij...', A, B)（省略号不再需要在“j”上）。

索引#

此版本中 NumPy 索引已进行了彻底的重写。这使得大多数高级整数索引操作速度更快，并且不应产生其他影响。但是，在高级索引操作中引入了一些细微的更改和弃用。

  • 对标量数组的布尔索引将始终返回一个新的 1 维数组。这意味着array(1)[array(True)]给出array([1])，而不是原始数组。

  • 对一维数组的高级索引过去具有（未记录的）特殊处理，关于在赋值时重复值数组，当值数组的形状太小或不匹配时。使用此代码将引发错误。为了兼容性，您可以使用arr.flat[index] = values，它使用旧的代码分支。（例如a = np.ones(10); a[np.arange(10)] = [1, 2, 3]）

  • 高级索引的迭代顺序过去始终是 C 顺序。在 NumPy 1.9 中，迭代顺序适应输入，并且不保证（除了单个高级索引，出于兼容性原因，它永远不会反转）。这意味着如果将多个值分配给同一元素，则结果是未定义的。一个例子是arr[[0, 0], [1, 1]] = [1, 2]，它可能将arr[0, 1]设置为 1 或 2。

  • 与迭代顺序等效的是，高级索引结果的内存布局已适应更快的索引，并且无法预测。

  • 所有索引操作都返回视图或副本。没有索引操作将返回原始数组对象。（例如arr[...]）

  • 将来，布尔数组（例如 python 布尔值的列表）将始终被视为布尔索引，布尔标量（包括 python True）将是一个合法的布尔索引。目前，对于标量数组，这种情况已经存在，以允许在a为零维时使用常规positive = a[a > 0]。

  • 在 NumPy 1.8 中，如果操作的结果是标量，则可以使用array(True)和array(False)等效于 1 和 0。这将在 NumPy 1.9 中引发错误，并且如上所述，将来将被视为布尔索引。

  • 所有非整数类数组都被弃用，自定义整数类对象的 object 数组可能必须显式转换。

  • 高级索引的错误报告更具信息量，但是错误类型在某些情况下已更改。（索引数组的广播错误报告为IndexError）

  • 使用多个省略号（...）进行索引已被弃用。

非整数约简轴索引已被弃用#

对约简 ufunc（如add.reduce 或sum）的非整数轴索引已被弃用。

promote_types 和字符串 dtype#

promote_types 函数现在在给定一个整数或浮点 dtype 作为参数和一个字符串 dtype 作为另一个参数时返回有效的字符串长度。以前，它总是返回输入字符串 dtype，即使它不够长，无法存储转换为字符串的最大整数/浮点值。

can_cast 和字符串 dtype#

在“安全”转换模式下，如果字符串dtype的长度不足以存储转换为字符串的最大整数/浮点数的值，can_cast 函数现在返回 False 。以前，在“安全”模式下，can_cast对于整数/浮点型 dtype 和任意长度的字符串 dtype 返回 True。

astype 和字符串 dtype#

如果在“安全”转换模式下，要转换到的字符串 dtype 长度不足以容纳被转换的整数/浮点数组的最大值，则 astype 方法现在会返回错误。以前即使结果被截断，转换也是允许的。

npyio.recfromcsv 关键字参数更改#

npyio.recfromcsv 不再接受未公开的 update 关键字，该关键字过去会覆盖 dtype 关键字。

doc/swig 目录移动#

doc/swig 目录已移动到 tools/swig。

npy_3kcompat.h 头文件更改#

未使用的 simple_capsule_dtor 函数已从 npy_3kcompat.h 中删除。请注意，此头文件不应在 numpy 之外使用；其他项目在需要时应使用其自己的此文件副本。

C-API sq_item 和 sq_ass_item 序列方法中的负索引#

当直接访问 sq_item 或 sq_ass_item PyObject 插槽以获取项目时，将不再支持负索引。PySequence_GetItem 和 PySequence_SetItem 解决了负索引问题，因此可以在其中使用它们。

NDIter#

现在调用 NpyIter_RemoveAxis 时，迭代器范围将被重置。

当正在跟踪多索引并且迭代器未被缓冲时，可以使用 NpyIter_RemoveAxis。在这种情况下，迭代器可以缩小尺寸。由于迭代器的总大小是有限制的，因此在这些调用之前，迭代器可能太大。在这种情况下，其大小将设置为 -1，并且会在移除多索引、设置迭代器范围或获取下一个函数时发出错误，而不是在构造时发出错误。

这对当前有效的代码没有影响，但它突出了如果可能发生这些情况，则需要检查错误返回的必要性。在大多数情况下，被迭代的数组与迭代器一样大，因此不会出现此类问题。

此更改已应用于 1.8.1 版本。

zeros_like 用于字符串 dtype 现在返回空字符串#

为了与 zeros 函数匹配，zeros_like 现在返回用空字符串初始化的数组，而不是用 ‘0’ 填充的数组。

新功能#

百分位数支持更多插值选项#

np.percentile 现在具有 interpolation 关键字参数，用于指定如果百分位数落在两个值之间，应以何种方式对点进行插值。有关可用选项，请参阅文档。

中位数和百分位数的广义轴支持#

np.median 和 np.percentile 现在像 1.7 版本以来的 ufunc 缩减一样支持广义轴参数。现在可以指定 axis=(index, index) 来为缩减选择轴列表。keepdims 关键字参数也已添加，允许方便地广播到原始形状的数组。

向 np.linspace 和 np.logspace 添加 dtype 参数#

现在可以使用 dtype 参数指定 linspace 和 logspace 函数返回的数据类型。

更通用的 np.triu 和 np.tril 广播#

对于 ndim 超过 2 的数组，这些函数现在将应用于最后两个轴，而不是引发异常。

tobytes 是 tostring 方法的别名#

ndarray.tobytes 和 MaskedArray.tobytes 已添加为 tostring 的别名，后者将数组导出为 bytes。这在 Python 3 中更一致，在 Python 3 中 str 和 bytes 不相同。

构建系统#

增加了对 ppc64le 和 OpenRISC 架构的实验性支持。

与 python numbers 模块的兼容性#

现在，所有数值 numpy 类型都已在 python numbers 模块中的类型层次结构中注册。

向 np.vander 添加 increasing 参数#

可以使用此新的布尔参数指定 Vandermonde 矩阵的列的顺序。

向 np.unique 添加 unique_counts 参数#

现在可以将每个唯一项目在输入中出现的次数作为可选返回值获得。

在 nanfunctions 中支持中位数和百分位数#

np.nanmedian 和 np.nanpercentile 函数的行为类似于中位数和百分位数函数，只是忽略 NaN。

添加 NumpyVersion 类#

该类可以从 numpy.lib 导入，当 numpy 版本升级到 1.10.devel 时，可用于版本比较。例如：

>>> from numpy.lib import NumpyVersion
>>> if NumpyVersion(np.__version__) < '1.10.0'):
...     print('Wow, that is an old NumPy version!')

允许保存具有大量命名列的数组#

numpy 存储格式 1.0 只允许数组头的大小总计为 65535 字节。这可能会被具有大量列的结构化数组超过。已添加新的格式 2.0，它将头大小扩展到 4 GiB。np.save 如果数据需要，将自动以 2.0 格式保存，否则它将始终使用更兼容的 1.0 格式。

对 np.cross 的完全广播支持#

np.cross 现在正确地广播其两个输入数组，即使它们具有不同数量的维度。在早期版本中，这将导致引发错误或计算错误的结果。

改进#

某些情况下求和的数值稳定性更好#

现在在 sum 方法中使用成对求和，但仅沿快速轴并且对于长度 <= 8192 的值组使用。这还应该提高某些常见情况下 var 和 std 的精度。

根据 np.partition 实现百分位数#

np.percentile 是根据 np.partition 实现的，后者仅通过选择算法对数据进行部分排序。这将时间复杂度从 O(nlog(n)) 提高到 O(n)。

对 np.array 的性能改进#

使用 np.array 将包含数组的列表转换为数组的性能得到了改进。它现在的速度与 np.vstack(list) 相当。

对 np.searchsorted 的性能改进#

对于内置数值类型，np.searchsorted 不再依赖于数据类型的 compare 函数来执行搜索，而是由特定类型的函数实现。根据输入的大小，这可以带来超过 2 倍的性能提升。

np.distutils 的可选简化详细程度#

设置 numpy.distutils.system_info.system_info.verbosity = 0，然后调用 numpy.distutils.system_info.get_info('blas_opt') 将不会在输出中打印任何内容。这主要用于使用 numpy.distutils 的其他包。

在 np.random.multivariate_normal 中的协方差检查#

当协方差矩阵不是正半定矩阵时，会引发 RuntimeWarning 警告。

多项式类不再基于模板#

为了实现通用接口，多项式类已重构为使用抽象基类而不是模板。这使得导入多项式包的速度更快，因为不需要在导入时编译这些类。

更多 GIL 释放#

现在更多函数释放全局解释器锁 (GIL)，允许使用 threading 模块进行更高效的并行化。最值得注意的是，现在为花式索引释放了 GIL，np.where 和 random 模块现在使用每个状态锁而不是 GIL。

对更复杂基类的 MaskedArray 支持#

正在移除关于基类行为类似于普通数组的内置假设。特别是，repr 和 str 现在应该更可靠地工作。

C-API#

弃用#

序列重复的非整数标量#

使用非整数 NumPy 标量来重复 Python 序列已被弃用。例如，np.float_(2) * [1] 将在未来成为错误。

select 输入弃用#

select 的整数和空输入已被弃用。将来只有布尔数组才是有效的条件，空 condlist 将被视为输入错误，而不是返回默认值。

rank 函数#

rank 函数已被弃用，以避免与 numpy.linalg.matrix_rank 混淆。

对象数组相等性比较#

将来，对象数组比较 == 和 np.equal 都将不再使用身份检查。例如

>>> a = np.array([np.array([1, 2, 3]), 1])
>>> b = np.array([np.array([1, 2, 3]), 1])
>>> a == b

即使 a 和 b 中的数组是相同的对象，也将始终返回 False（将来会返回错误）。

如果广播或元素比较等失败，将来等号运算符 == 将像 np.equal 一样引发错误。

将来，与 arr == None 的比较将进行逐元素比较，而不是只返回 False。代码应该使用 arr is None。

所有这些更改目前都会给出弃用警告或未来警告。

C-API#

Python 3 应用于其文件对象的内部缓冲机制破坏了实用函数 npy_PyFile_Dup 和 npy_PyFile_DupClose。为了解决这个问题，在 npy_3kcompat.h 中声明了两个新函数 npy_PyFile_Dup2 和 npy_PyFile_DupClose2，并且旧函数已被弃用。由于这些函数的脆弱性，建议尽可能使用 Python API。

此更改已应用于 1.8.1 版本。

本页内容