Question

这种麻木的行为似乎有点奇怪。

>>> type(np.array([1, np.nan]).repeat(2)[2])
<class 'numpy.float64'>

但是当我将第一个参数设为字符串时

>>> type(np.array(["a", np.nan]).repeat(2)[2])
<class 'numpy.str_'>

我该如何解决？

Answer 1

也许这种查看数组的方式可以使区别更加清晰：

在第一种情况下，np.nan是浮点数，因此所有元素都是浮点数：

In [310]: np.array([1, np.nan]).repeat(2)                                            
Out[310]: array([ 1.,  1., nan, nan])
In [311]: _.dtype                                                                    
Out[311]: dtype('float64')

在第二个中，有一个字符串，不能将其制成浮点型，因此整个数组的dtype是字符串-包括np.nan，现在为'nan'：

In [312]: np.array(["a", np.nan]).repeat(2)                                          
Out[312]: array(['a', 'a', 'nan', 'nan'], dtype='<U3')
In [313]: _.dtype                                                                    
Out[313]: dtype('<U3')

repeat与此无关。 np.array是从列表中构造数组的方法，选择了最佳的公共dtype。

In [321]: np.array(["a", np.nan],dtype=float)                                        
--------------------------------------------------------------------------- 
ValueError: could not convert string to float: 'a'

Answer 2

来自documentation：

dtype：数据类型，可选

所需的数组数据类型。如果未指定，则将类型确定为容纳对象所需的最小类型   序列。此参数只能用于“上载”阵列。   对于向下转换，请使用.astype（t）方法。

在第一个示例中，

1和numpy.nan可以强制转换为numpy.float64；在第二秒中，str（即str(numpy.nan) = 'nan'最终出现在您的数组中）。

numpy重复将`nan`转换为`str`

2 个答案: