python 将列表转换为 numpy 数组，同时保留数字格式

Question

我的目标是将我的数据转换为 numpy 数组，同时保留原始列表中的数字格式，清晰且正确。

例如， 这是我的列表格式数据:

[[24.589888563639835, 13.899891781550952, 4478597, -1], [26.822224204095697, 14.670531752529088, 4644503, -1], [51.450405486761866, 54.770422572665254, 5570870, 0], [44.979065080591504, 54.998835550128852, 6500333, 0], [44.866399274880663, 55.757240813761534, 6513301, 0], [45.535380533604247, 57.790074517001365, 6593281, 0], [44.850372630818214, 54.720574554485822, 6605483, 0], [51.32738085400576, 55.118344981379266, 6641841, 0]]

当我将它转换为 numpy 数组时，

data = np.asarray(data)

我得到数学符号 e，如何在我的输出数组中保存相同的格式？

[[  2.45898886e+01   1.38998918e+01   4.47859700e+06  -1.00000000e+00]
 [  2.68222242e+01   1.46705318e+01   4.64450300e+06  -1.00000000e+00]
 [  5.14504055e+01   5.47704226e+01   5.57087000e+06   0.00000000e+00]
 [  4.49790651e+01   5.49988356e+01   6.50033300e+06   0.00000000e+00]
 [  4.48663993e+01   5.57572408e+01   6.51330100e+06   0.00000000e+00]
 [  4.55353805e+01   5.77900745e+01   6.59328100e+06   0.00000000e+00]
 [  4.48503726e+01   5.47205746e+01   6.60548300e+06   0.00000000e+00]
 [  5.13273809e+01   5.51183450e+01   6.64184100e+06   0.00000000e+00]]

更新:

我做到了:

np.set_printoptions(precision=6,suppress=True)

但是当我将部分数据传递给另一个变量然后查看它时，我仍然得到不同的数字，我发现小数点已经改变了!为什么它会在内部更改小数位，为什么它不能保持原样？

Answer 1

从嵌套列表创建简单数组:

In [133]: data = np.array(alist)
In [136]: data.shape
Out[136]: (8, 4)
In [137]: data.dtype
Out[137]: dtype('float64')

这是一个二维数组，8行，4列；所有元素都存储为 float 。

列表可以加载到结构化数组中，该数组被定义为具有 float 和整数字段的混合。请注意，对于此负载，我必须将“行”转换为元组。

In [139]: dt = np.dtype('f,f,i,i')
In [140]: dt
Out[140]: dtype([('f0', '<f4'), ('f1', '<f4'), ('f2', '<i4'), ('f3', '<i4')])
In [141]: data = np.array([tuple(row) for row in alist], dtype=dt)
In [142]: data.shape
Out[142]: (8,)
In [143]: data
Out[143]: 
array([( 24.58988762,  13.89989185, 4478597, -1),
       ( 26.82222366,  14.67053223, 4644503, -1),
       ( 51.45040512,  54.77042389, 5570870,  0),
       ( 44.97906494,  54.99883652, 6500333,  0),
       ( 44.86639786,  55.7572403 , 6513301,  0),
       ( 45.53538132,  57.79007339, 6593281,  0),
       ( 44.85037231,  54.72057343, 6605483,  0),
       ( 51.32738113,  55.11834335, 6641841,  0)], 
      dtype=[('f0', '<f4'), ('f1', '<f4'), ('f2', '<i4'), ('f3', '<i4')])

您按名称而不是列号访问字段:

In [144]: data['f0']
Out[144]: 
array([ 24.58988762,  26.82222366,  51.45040512,  44.97906494,
        44.86639786,  45.53538132,  44.85037231,  51.32738113], dtype=float32)
In [145]: data['f3']
Out[145]: array([-1, -1,  0,  0,  0,  0,  0,  0], dtype=int32)

将这些值与二维 float 组中单列的显示进行比较:

In [146]: dataf = np.array(alist)
In [147]: dataf[:,0]
Out[147]: 
array([ 24.58988856,  26.8222242 ,  51.45040549,  44.97906508,
        44.86639927,  45.53538053,  44.85037263,  51.32738085])
In [148]: dataf[:,3]
Out[148]: array([-1., -1.,  0.,  0.,  0.,  0.,  0.,  0.])

当混合使用 float 、整数、字符串或其他数据类型时，使用结构化数组更有意义。

但要备份一点——纯 float 版本有什么问题？为什么保留 2 列的整数标识很重要？