让我们看一下那句令人震惊的round语句:
>>> round(2.675, 2)
2.67
我知道为什么回合“失败”;这是因为 2.675 的二进制表示:
>>> import decimal
>>> decimal.Decimal(2.675)
Decimal('2.67499999999999982236431605997495353221893310546875')
我不明白的是:为什么 NumPy 不会失败?
>>> import numpy
>>> numpy.round(2.675, 2)
2.6800000000000002
思考
不要介意多余的零;这是 Python 打印内部舍入的产物。如果我们查看“精确”值,它们仍然不同:
>>> decimal.Decimal(round(2.675, 2))
Decimal('2.6699999999999999289457264239899814128875732421875')
>>> decimal.Decimal(numpy.round(2.675, 2))
Decimal('2.680000000000000159872115546022541821002960205078125')
为什么哦,为什么 NumPy 会这样?
起初我以为 NumPy 必须使用额外的位来处理 float ,但是:
>>> decimal.Decimal(numpy.float(2.675))
Decimal('2.67499999999999982236431605997495353221893310546875')
>>> decimal.Decimal(2.675)
Decimal('2.67499999999999982236431605997495353221893310546875')
# Twins!
幕后发生了什么?我看了看 NumPy 的 round implementation ,但我是 Python 新手,我没有看到任何可疑的东西。
最佳答案
一个最重要的区别被记录在案:
如果您处于数字中间,np.round
舍入到最接近的“偶数”数(乘以 10**n
后,其中 n
是相应 round
函数的第二个参数)而builtin round
从 0 舍入。
>>> np.round(2.685, 2)
2.6800000000000002
>>> round(2.685, 2)
2.69
在幕后,您可以在使用缩放参数时获得差异。考虑 round(2.675 * 10.**2)
和 round(2.675, 2)
之间的区别。这当然是 float 学的结果,它总是有一些与之相关的舍入误差。要走得更远,我们真的需要看看真正的实现。
关于python - round() 和 numpy.round() 之间的底层区别是什么?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/20388071/