Réponses:
Utilisez la astype
méthode.
>>> x = np.array([[1.0, 2.3], [1.3, 2.9]])
>>> x
array([[ 1. , 2.3],
[ 1.3, 2.9]])
>>> x.astype(int)
array([[1, 2],
[1, 2]])
np.array([np.inf]).astype(int)
, np.array([-np.inf]).astype(int)
et np.array([np.nan]).astype(int)
retourner la même chose. Pourquoi?
nan
et inf
sont des valeurs à virgule flottante et ne peuvent pas être converties de manière significative en int. Comme le remarque le vôtre, il y aura un comportement surprenant, et je ne pense pas que le comportement précis soit bien défini. Si vous souhaitez mapper nan
et inf
à certaines valeurs, vous devez le faire vous-même.
int
. Ça l'est numpy.int32
.
Quelques fonctions numpy pour contrôler l'arrondi: rint , floor , trunc , ceil . selon la façon dont vous souhaitez arrondir les flotteurs, en haut, en bas ou à l'int. le plus proche.
>>> x = np.array([[1.0,2.3],[1.3,2.9]])
>>> x
array([[ 1. , 2.3],
[ 1.3, 2.9]])
>>> y = np.trunc(x)
>>> y
array([[ 1., 2.],
[ 1., 2.]])
>>> z = np.ceil(x)
>>> z
array([[ 1., 3.],
[ 2., 3.]])
>>> t = np.floor(x)
>>> t
array([[ 1., 2.],
[ 1., 2.]])
>>> a = np.rint(x)
>>> a
array([[ 1., 2.],
[ 1., 3.]])
Pour faire un de ceci dans int, ou l'un des autres types dans numpy, astype (comme répondu par BrenBern):
a.astype(int)
array([[1, 2],
[1, 3]])
>>> y.astype(int)
array([[1, 2],
[1, 2]])
astype
est souvent trop générique, et je pense qu'il est probablement plus utile lors des conversions intx - inty. Quand je veux faire une conversion float-int, pouvoir choisir le type d'arrondi est une fonctionnalité intéressante.
7.99999
des pouces comme 8
, est np.rint(arr).astype(int)
?
astype(np.uint8)
vous pouvez utiliser np.int_
:
>>> x = np.array([[1.0, 2.3], [1.3, 2.9]])
>>> x
array([[ 1. , 2.3],
[ 1.3, 2.9]])
>>> np.int_(x)
array([[1, 2],
[1, 2]])
Si vous n'êtes pas sûr que votre entrée sera un tableau Numpy, vous pouvez utiliser asarray
avec dtype=int
au lieu de astype
:
>>> np.asarray([1,2,3,4], dtype=int)
array([1, 2, 3, 4])
Si le tableau d'entrée a déjà le bon type, asarray
évite la copie du tableau alors que ce astype
n'est pas le cas (sauf si vous le spécifiez copy=False
):
>>> a = np.array([1,2,3,4])
>>> a is np.asarray(a) # no copy :)
True
>>> a is a.astype(int) # copy :(
False
>>> a is a.astype(int, copy=False) # no copy :)
True
np.inf
ounp.nan
dans votre tableau, car ils ont des résultats surprenants. Par exemple, lesnp.array([np.inf]).astype(int)
sortiesarray([-9223372036854775808])
.