NumPy数组的就地类型转换

给定一个NumPy数组int32，如何将其转换为float32 原位？所以基本上，我想做

a = a.astype(numpy.float32)

而不复制阵列。好大

这样做的原因是我有两种算法来计算a。其中一个返回一个数组int32，另一个返回一个数组float32（这是两种不同算法固有的）。所有进一步的计算都假定a是的数组float32。

目前，我在C函数中通过via进行转换ctypes。有没有办法在Python中做到这一点？

您可以使用不同的dtype创建视图，然后就地复制到视图中：

import numpy as np
x = np.arange(10, dtype='int32')
y = x.view('float32')
y[:] = x

print(y)

产量

array([ 0.,  1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9.], dtype=float32)

要显示转换是否就位，请注意从 复制x到已y更改x：

print(x)

版画

array([         0, 1065353216, 1073741824, 1077936128, 1082130432,
       1084227584, 1086324736, 1088421888, 1090519040, 1091567616])

更新：此功能仅在可能的情况下避免复制，因此这不是此问题的正确答案。unutbu的答案是正确的。

a = a.astype(numpy.float32, copy=False)

numpy astype具有复制标志。我们为什么不应该使用它？

您可以更改数组类型而无需进行如下转换：

a.dtype = numpy.float32

但首先，您必须将所有整数更改为将被解释为相应浮点数的值。一种很慢的方法是使用python的struct模块，如下所示：

def toi(i):
    return struct.unpack('i',struct.pack('f',float(i)))[0]

...应用于数组的每个成员。

但是，也许更快的方法是利用numpy的ctypeslib工具（我不熟悉）

-编辑-

由于ctypeslib似乎不起作用，所以我将使用典型numpy.astype方法进行转换，但以内存限制内的块大小进行处理：

a[0:10000] = a[0:10000].astype('float32').view('int32')

...然后在完成后更改dtype。

这是一个功能，可以完成所有兼容dtypes的任务（仅适用于具有相同大小项目的dtypes），并通过用户控制块大小来处理任意形状的数组：

import numpy

def astype_inplace(a, dtype, blocksize=10000):
    oldtype = a.dtype
    newtype = numpy.dtype(dtype)
    assert oldtype.itemsize is newtype.itemsize
    for idx in xrange(0, a.size, blocksize):
        a.flat[idx:idx + blocksize] = \
            a.flat[idx:idx + blocksize].astype(newtype).view(oldtype)
    a.dtype = newtype

a = numpy.random.randint(100,size=100).reshape((10,10))
print a
astype_inplace(a, 'float32')
print a

import numpy as np
arr_float = np.arange(10, dtype=np.float32)
arr_int = arr_float.view(np.float32)

使用view（）和参数'dtype'更改数组。

用这个：

In [105]: a
Out[105]: 
array([[15, 30, 88, 31, 33],
       [53, 38, 54, 47, 56],
       [67,  2, 74, 10, 16],
       [86, 33, 15, 51, 32],
       [32, 47, 76, 15, 81]], dtype=int32)

In [106]: float32(a)
Out[106]: 
array([[ 15.,  30.,  88.,  31.,  33.],
       [ 53.,  38.,  54.,  47.,  56.],
       [ 67.,   2.,  74.,  10.,  16.],
       [ 86.,  33.,  15.,  51.,  32.],
       [ 32.,  47.,  76.,  15.,  81.]], dtype=float32)

a = np.subtract(a, 0., dtype=np.float32)