NumPy 1.20.0 发行说明#

此 NumPy 版本是迄今为止最大的版本,合并了 184 人贡献的约 684 个 PR. 有关更多详细信息,请参见下面的亮点列表. 此版本支持的 Python 版本为 3.7-3.9,已删除对 Python 3.6 的支持. 亮点是

  • NumPy 函数的注解. 这项工作正在进行中,并且有望根据用户的反馈进行改进.

  • 更广泛地使用 SIMD 来提高 ufunc 的执行速度. 在引入通用函数方面已经做了很多工作,这些通用函数将简化跨不同硬件平台上现代功能的使用. 这项工作正在进行中.

  • 在更改 dtype 和强制类型转换实现方面的初步工作,以便为扩展 dtype 提供更简单的途径. 这项工作正在进行中,但是已经完成了足够的工作以进行实验和反馈.

  • 广泛的文档改进,包括约 185 个 PR 合并. 这项工作正在进行中,并且是改进 NumPy 在线形象和对新用户的实用性的更大项目的一部分.

  • 与删除 Python 2.7 相关的进一步清理. 这提高了代码的可读性并消除了技术债务.

  • 初步支持即将到来的 Cython 3.0.

新函数#

random.Generator 类具有新的 permuted 函数.#

新函数与 shuffle 和 permutation 的不同之处在于,轴索引的子数组被置换,而不是将该轴视为每个其他索引组合的单独的 1-D 数组. 例如,现在可以置换 2-D 数组的行或列.

( gh-15121 )

sliding_window_view 为 numpy 数组提供了一个滑动窗口视图#

numpy.lib.stride_tricks.sliding_window_view 在 numpy 数组上构建视图,这些视图提供对数组的滑动或移动窗口访问. 这允许简单地实现某些算法,例如运行均值.

( gh-17394 )

numpy.broadcast_shapes 是一个新的面向用户的函数#

broadcast_shapes 获取将给定的形状元组相互广播后产生的形状.

>>> np.broadcast_shapes((1, 2), (3, 1))
(3, 2)

>>> np.broadcast_shapes(2, (3, 1))
(3, 2)

>>> np.broadcast_shapes((6, 7), (5, 6, 1), (7,), (5, 1, 7))
(5, 6, 7)

( gh-17535 )

弃用#

使用内置类型(如 np.int )的别名已被弃用#

长期以来, np.int 一直是内置 int 的别名. 这经常引起新手的困惑,并且主要由于历史原因而存在.

这些别名已被弃用. 下表显示了已弃用的别名的完整列表及其确切含义. 将第一列中项目的使用替换为第二列的内容将以相同的方式工作,并消除弃用警告.

第三列列出了可能偶尔优先选择的 NumPy 备用名称. 另请参见 数据类型 以获取更多详细信息.

已弃用的名称

等同于

NumPy 标量类型名称

numpy.bool

bool

numpy.bool_

numpy.int

int

numpy.int_ (默认), numpy.int64 , 或 numpy.int32

numpy.float

float

numpy.float64 , numpy.float_ , numpy.double (等价)

numpy.complex

complex

numpy.complex128 , numpy.complex_ , numpy.cdouble (等价)

numpy.object

object

numpy.object_

numpy.str

str

numpy.str_

numpy.long

int

numpy.int_ (C long ), numpy.longlong (最大的整数类型)

numpy.unicode

str

numpy.unicode_

为了给绝大多数情况提供清晰的指导方针,对于 bool , object , str (和 unicode ) 类型,使用简单版本更短更清晰,并且通常是一个很好的替代方案.对于 float 和 complex ,如果您希望更明确地说明精度,可以使用 float64 和 complex128 .

对于 np.int ,直接替换为 np.int_ 或 int 也是不错的选择,并且不会改变行为,但精度将继续取决于计算机和操作系统. 如果您想更明确并查看当前用法,您有以下选择:

  • np.int64 或 np.int32 来精确地指定精度.这确保了结果不会依赖于计算机或操作系统.

  • np.int_ 或 int (默认值),但请注意它取决于计算机和操作系统.

  • C 类型: np.cint (int), np.int_ (long), np.longlong .

  • np.intp 在 32 位机器上是 32 位的,在 64 位机器上是 64 位的.这可能是用于索引的最佳类型.

当与 np.dtype(...) 或 dtype=... 一起使用时,如上所述将其更改为 NumPy 名称对输出没有影响.如果将其用作标量,例如:

np.float(123)

更改它可能会微妙地改变结果.在这种情况下,Python 版本 float(123) 或 int(12.) 通常是首选,尽管 NumPy 版本可能对于与 NumPy 数组保持一致性很有用(例如,NumPy 对于除以零之类的行为有所不同).

( gh-14882 )

将 shape=None 传递给具有非可选 shape 参数的函数已被弃用#

以前,这是传递 shape=() 的别名.此弃用由 C API 中的 PyArray_IntpConverter 发出.如果您的 API 旨在支持传递 None ,那么您应该在调用转换器之前检查 None ,以便能够区分 None 和 () .

( gh-15886 )

即使索引结果为空,也会报告索引错误#

将来,即使整数数组索引包含超出范围的值,如果非索引维度长度为 0,NumPy 也会引发 IndexError.现在会发出 DeprecationWarning.当数组先前为空或涉及空切片时,可能会发生这种情况:

arr1 = np.zeros((5, 0))
arr1[[20]]
arr2 = np.zeros((5, 5))
arr2[[20], :0]

以前,非空索引 [20] 未检查正确性. 现在将对其进行检查,导致弃用警告,该警告将转换为错误. 这也适用于任务.

( gh-15900 )

对 mode 和 searchside 的不精确匹配已被弃用#

早期,对 mode 和 searchside 的不精确和不区分大小写的匹配是有效的输入,现在将给出 DeprecationWarning. 例如,以下是一些示例用法,现在已弃用,并将给出 DeprecationWarning:

import numpy as np
arr = np.array([[3, 6, 6], [4, 5, 1]])
# mode: inexact match
np.ravel_multi_index(arr, (7, 6), mode="clap")  # should be "clip"
# searchside: inexact match
np.searchsorted(arr[0], 4, side='random')  # should be "right"

( gh-16056 )

numpy.dual 模块已弃用#

numpy.dual 模块已弃用.应该直接从NumPy或SciPy导入函数,而不是从 numpy.dual 导入.

( gh-16156 )

outer 和 ufunc.outer 已经不推荐用于 matrix#

np.matrix 与 outer 或通用的 ufunc 外部调用一起使用,例如 numpy.add.outer .以前,matrix 在这里被转换为数组.将来不会这样做,需要手动转换为数组.

( gh-16232 )

更多 Numeric Style 类型已弃用#

剩余的数字样式类型代码 Bytes0 , Str0 , Uint32 , Uint64 和 Datetime64 已弃用.应使用小写变体.对于字节和字符串, "S" 和 "U" 是进一步的选择.

( gh-16554 )

已弃用 ndindex 的 ndincr 方法#

自 NumPy 1.8 以来,该文档已警告不要使用此函数.使用 next(it) 代替 it.ndincr() .

( gh-17233 )

未定义 __len__ 和 __getitem__ 的 ArrayLike 对象#

定义了 __array__ , __array_interface__ 或 __array_struct__ 协议之一但不是序列(通常由具有 __len__ 和 __getitem__ 定义)的对象,将来在数组强制转换期间的行为会有所不同.

当嵌套在序列中时,例如 np.array([array_like]) ,这些被视为单个Python对象而不是数组.将来,它们的行为将与以下代码相同:

np.array([np.array(array_like)])

仅当 np.array(array_like) 不是0-D时,此更改才会有影响. 此警告的解决方案可能取决于对象:

  • 某些类似数组的对象可能期望新的行为,并且用户可以忽略该警告. 该对象可以选择公开序列协议以选择加入新行为.

  • 例如, shapely 将允许使用 line.coords 而不是 np.asarray(line) 转换为类数组. 用户可以解决该警告,或者在新约定可用时使用它.

不幸的是,使用新行为只能通过调用 np.array(array_like) 来实现.

如果您希望确保旧行为保持不变,请创建一个对象数组,然后显式填充它,例如:

arr = np.empty(3, dtype=object)
arr[:] = [array_like1, array_like2, array_like3]

这将确保NumPy知道不要进入类似数组并将其用作对象.

( gh-17973 )

未来的变化#

数组不能使用子数组dtypes#

当 dtype 是子数组dtype(例如 np.dtype("(2)i,") )时,使用 np.array(arr, dtype) 和 arr.astype(dtype) 的数组创建和转换将使用不同的逻辑.

对于这样的 dtype ,以下行为为真:

res = np.array(arr, dtype)

res.dtype is not dtype
res.dtype is dtype.base
res.shape == arr.shape + dtype.shape

但是 res 是使用以下逻辑填充的:

res = np.empty(arr.shape + dtype.shape, dtype=dtype.base)
res[...] = arr

这使用不正确的广播(并且通常会导致错误).将来,这将改为单独转换每个元素,从而导致与以下代码相同的结果:

res = np.array(arr, dtype=np.dtype(["f", dtype]))["f"]

通常可以使用该方法来选择加入新的行为.

此更改不会影响 np.array(list, dtype="(2)i,") ,除非 list 本身包含至少一个数组. 特别是,元组列表的行为不变.

( gh-17596 )

已过期的弃用#

  • 数字样式类型代码 np.dtype("Complex64") (大写拼写) 的弃用已到期. "Complex64" 对应于 "complex128" , "Complex32" 对应于 "complex64" .

  • np.sctypeNA 和 np.typeNA 的弃用已到期.两者都已从公共API中删除.请改用 np.typeDict .

    ( gh-16554 )

  • np.ctypeslib.ctypes_load_library 14年的弃用期已到期.请改用 load_library ,它是相同的.

    ( gh-17116 )

财务函数已删除#

根据NEP 32,财务函数已从NumPy 1.20中删除.已删除的函数为 fv , ipmt , irr , mirr , nper , npv , pmt , ppmt , pv 和 rate .这些函数可在 numpy_financial 库中使用.

( gh-17067 )

兼容性说明#

isinstance(dtype, np.dtype) 而不是 type(dtype) is not np.dtype#

NumPy dtypes不再是 np.dtype 的直接实例.可能使用 type(dtype) is np.dtype 的代码将始终返回 False ,并且必须更新为使用正确的版本 isinstance(dtype, np.dtype) .

如果针对低于1.16.6的NumPy版本编译,此更改还会影响C端的宏 PyArray_DescrCheck .如果代码使用此宏并希望针对旧版本的NumPy进行编译,则必须替换该宏(另请参见 C API changes 部分).

在 axis=None 的情况下,concatenate 中使用相同种类的转换#

当使用 axis=None 调用 concatenate 时,展平的数组使用 unsafe 进行转换.任何其他轴的选择都使用 “相同种类”.那种不同的默认值已被弃用,并且将改用 “相同种类” 转换.新的 casting 关键字参数可用于保留旧的行为.

( gh-16134 )

NumPy标量在分配给数组时进行转换#

在创建或分配给数组时,在所有相关情况下,NumPy标量现在将与NumPy数组以相同的方式进行转换.特别是,在某些以前引发错误的情况下,这会改变行为:

np.array([np.float64(np.nan)], dtype=np.int64)

将成功并返回未定义的结果(通常是最小的可能整数). 这也会影响赋值:

arr[0] = np.float64(np.nan)

目前,NumPy保留了:

np.array(np.float64(np.nan), dtype=np.int64)

以上更改不影响Python标量:

np.array([float("NaN")], dtype=np.int64)

保持不受影响( np.nan 是一个Python float ,而不是NumPy的).与有符号整数不同,无符号整数不保留此特殊情况,因为它们的行为总是更像转换.以下代码停止引发错误:

np.array([np.float64(np.nan)], dtype=np.uint64)

为了避免向后兼容性问题,目前仍然支持从 datetime64 标量赋给长度过短的字符串.这意味着 np.asarray(np.datetime64("2020-10-10"), dtype="S5") 现在可以成功,而之前会失败.从长远来看,这可能会被弃用,或者通常允许不安全的转换,以使数组和标量的赋值行为保持一致.

当字符串和其他类型混合时,数组强制转换会发生变化#

当字符串和其他类型混合时,例如:

np.array(["string", np.float64(3.)], dtype="S")

结果将会改变,这可能导致在某些情况下字符串dtypes中包含更长的字符串.特别是,如果未提供 dtype="S" ,则任何数值都将导致字符串结果足够长以容纳所有可能的数值.(例如,浮点数的”S32”).请注意,在将非字符串转换为字符串时,应始终提供 dtype="S" .

如果提供了 dtype="S" ,结果将在很大程度上与之前相同,但 NumPy 标量(不是像 1.0 这样的 Python 浮点数)仍然会强制执行统一的字符串长度:

np.array([np.float64(3.)], dtype="S")  # gives "S32"
np.array([3.0], dtype="S")  # gives "S3"

以前,第一个版本的结果与第二个版本相同.

数组强制转换重构#

数组强制转换已重构. 一般来说,这不应该影响用户.在极少数的数组类嵌套的极端情况下:

np.array([array_like1])

现在事情会与此更加一致:

np.array([np.array(array_like1)])

这可能会微妙地改变一些定义不明确的类数组的输出.一个例子是数组类对象,它们也不是匹配形状的序列.在 NumPy 1.20 中,当一个类数组的也不是一个序列时,会给出一个警告(但行为仍然相同,请参阅弃用).如果一个数组类也是一个序列(定义了 __getitem__ 和 __len__ ),NumPy 现在将只使用 __array__ , __array_interface__ 或 __array_struct__ 给出的结果.当(嵌套的)序列描述不同的形状时,这将导致差异.

( gh-16200 )

写入 numpy.broadcast_arrays 的结果将导出只读缓冲区#

在 NumPy 1.17 中,当写入结果数组时, numpy.broadcast_arrays 开始发出警告.当通过缓冲区接口使用数组时(例如 memoryview(arr) ),将跳过此警告.对于返回只读缓冲区的两个协议 __array_interface__ 和 __array_struct__ ,现在也会发生同样的情况,而不是给出警告.

( gh-16350 )

数字样式的类型名称已从类型字典中删除#

为了与 np.dtype("Complex64") 和其他数字样式(大写)类型的弃用保持同步.这些已从 np.sctypeDict 和 np.typeDict 中删除.您应该使用小写版本代替.请注意, "Complex64" 对应于 "complex128" , "Complex32" 对应于 "complex64" .numpy 样式(新)版本表示完整大小,而不是实部/虚部的大小.

( gh-16554 )

operator.concat 函数现在会对数组参数引发 TypeError#

之前的行为是回退到加法并添加两个数组,这被认为是连接函数的不期望行为.

( gh-16570 )

nickname 属性已从 ABCPolyBase 中删除#

抽象属性 nickname 已经从 ABCPolyBase 中删除,因为它不再被派生便利类使用.这可能会影响从 ABCPolyBase 派生类并覆盖表示和显示方法的用户,例如 __str__ , __repr__ , _repr_latex 等.

( gh-16589 )

float->timedelta 和 uint64->timedelta 提升将引发 TypeError#

Float 和 timedelta 提升始终如一地引发 TypeError. np.promote_types("float32", "m8") 现在与 np.promote_types("m8", "float32") 对齐,并且两者都引发 TypeError.以前, np.promote_types("float32", "m8") 返回 "m8" ,这被认为是一个错误.

Uint64 和 timedelta 提升始终如一地引发 TypeError. np.promote_types("uint64", "m8") 现在与 np.promote_types("m8", "uint64") 对齐,并且两者都引发 TypeError.以前, np.promote_types("uint64", "m8") 返回 "m8" ,这被认为是一个错误.

( gh-16592 )

numpy.genfromtxt 现在可以正确地解包结构化数组#

之前,如果使用 unpack=True 调用 numpy.genfromtxt ,并且将结构化数据类型传递给 dtype 参数(或者传递 dtype=None 并且推断出结构化数据类型),则 numpy.genfromtxt 无法解包.例如:

>>> data = StringIO("21 58.0\n35 72.0")
>>> np.genfromtxt(data, dtype=None, unpack=True)
array([(21, 58.), (35, 72.)], dtype=[('f0', '<i8'), ('f1', '<f8')])

现在,结构化数组将正确地解包到数组列表中,每个数组对应一列:

>>> np.genfromtxt(data, dtype=None, unpack=True)
[array([21, 35]), array([58., 72.])]

( gh-16650 )

mgrid , r_ 等始终为非默认精度输入返回正确的输出#

之前, np.mgrid[np.float32(0.1):np.float32(0.35):np.float32(0.1),] 和 np.r_[0:10:np.complex64(3j)] 未能返回有意义的输出.当使用类型不是默认 float64 和 complex128 以及等效 Python 类型的输入时,此错误可能会影响 mgrid , ogrid , r_ 和 c_ .这些方法已修复,可以正确处理不同的精度.

( gh-16815 )

具有不匹配形状的布尔数组索引现在可以正确地给出 IndexError#

之前,如果布尔数组索引与被索引数组的大小匹配但不匹配形状,则在某些情况下会错误地允许它.在其他情况下,它会给出一个错误,但该错误不正确地是一个 ValueError ,其中包含有关广播的消息,而不是正确的 IndexError .

例如,以下代码过去会错误地给出 ValueError: operands could not be broadcast together with shapes (2,2) (1,4) :

np.empty((2, 2))[np.array([[True, False, False, False]])]

以下代码过去会错误地返回 array([], dtype=float64) :

np.empty((2, 2))[np.array([[False, False, False, False]])]

现在两者都正确地给出 IndexError: boolean index did not match indexed array along dimension 0; dimension is 2 but corresponding boolean dimension is 1 .

( gh-17010 )

转换错误会中断迭代#

在迭代时转换值时,错误可能会比以前更早地停止迭代. 无论如何,失败的转换操作总是返回未定义的,部分的结果. 这些结果现在可能更加未定义和部分. 对于 NpyIter C-API的用户,此类转换错误现在将导致 iternext() 函数返回0,从而中止迭代. 当前,没有API可以直接检测到这样的错误. 有必要检查 PyErr_Occurred() ,这可能与 NpyIter_Reset 结合使用时会出现问题. 这些问题一直存在,但是如果用户需要,可以添加新的API.

( gh-17029 )

f2py 生成的代码可能返回 unicode 而不是字节字符串#

以前由 f2py 生成的代码返回的一些字节字符串现在可能是 unicode 字符串. 这是由正在进行的 Python2 -> Python3 清理导致的.

( gh-17068 )

__array_interface__["data"] 元组的第一个元素必须是整数#

多年来,这一直是文档化的接口,但是仍然有代码可以接受指针地址的字节字符串表示形式. 该代码已被删除,将地址作为字节字符串传递现在将引发错误.

( gh-17241 )

poly1d 尊重全零参数的 dtype#

之前,使用全零系数构造 poly1d 的实例会将系数转换为 np.float64 . 这会影响内部构造 poly1d 实例的方法的输出 dtype,例如 np.polymul .

( gh-17577 )

用于 swig 的 numpy.i 文件仅适用于 Python 3.#

Python 2.7 C-API函数的使用已更新为仅适用于Python 3.需要旧版本的用户应该从NumPy的旧版本中获取.

( gh-17580 )

np.array 中的 Void dtype 发现#

在使用 np.array(..., dtype="V") , arr.astype("V") 和类似的调用中,除非所有元素的 void 长度都相同,否则现在会正确引发 TypeError.一个例子是:

np.array([b"1", b"12"], dtype="V")

以前返回一个带有 dtype "V2" 的数组,该数组无法忠实地表示 b"1" .

( gh-17706 )

C API 更改#

PyArray_DescrCheck 宏已修改#

自 NumPy 1.16.6 以来, PyArray_DescrCheck 宏已更新为:

#define PyArray_DescrCheck(op) PyObject_TypeCheck(op, &PyArrayDescr_Type)

从 NumPy 1.20 开始,针对早期版本编译的代码将与 NumPy 1.20 的 API 不兼容. 解决方法是针对 1.16.6 进行编译(如果您希望支持的最旧版本是 NumPy 1.16 发行版),或者通过将其替换为新定义来手动内联宏:

PyObject_TypeCheck(op, &PyArrayDescr_Type)

它与所有NumPy版本兼容.

np.ndarray 和 np.void_ 的大小已更改#

PyArrayObject 和 PyVoidScalarObject 结构的大小已更改. 以下头文件定义已被删除:

#define NPY_SIZEOF_PYARRAYOBJECT (sizeof(PyArrayObject_fields))

因为大小不应被视为编译时常量:它会因 NumPy 的不同运行时版本而改变.

最相关的用途是用 C 编写的潜在子类,这些子类必须重新编译并且应该更新. 有关更多详细信息,请参阅 PyArrayObject 的文档,如果您受到此更改的影响,请联系 NumPy 开发人员.

NumPy 将尝试给出优雅的错误,但期望固定结构大小的程序可能会有未定义的行为并且可能崩溃.

( gh-16938 )

新特性#

numpy.all 和 numpy.any 函数的 where 关键字参数#

添加了关键字参数 where ,允许仅考虑 all 和 any 的布尔评估中数组的指定元素或子轴. 这个新的关键字可以通过 numpy 直接或通过 numpy.ndarray 的方法提供给函数 all 和 any .

任何可广播的布尔数组或标量都可以设置为 where . 如果用户未设置 where ,则默认为 True 以评估数组中所有元素的函数. 函数的文档中给出了示例.

numpy 函数 mean , std , var 的 where 关键字参数#

添加了关键字参数 where ,允许限制在计算 mean , std 和 var 中仅限于元素子集的范围. 它可以通过 numpy 直接或在 numpy.ndarray 的方法中获得.

任何可广播的布尔数组或标量都可以设置为 where . 如果用户未设置 where ,则默认为 True 以评估数组中所有元素的函数. 函数的文档中给出了示例.

( gh-15852 )

norm=backward , forward 关键字选项适用于 numpy.fft 函数#

关键字参数选项 norm=backward 被添加为 None 的别名,并作为默认选项; 使用它会使正向变换不缩放,反向变换缩放 1/n .

使用新的关键字参数选项 norm=forward 会使正向变换缩放 1/n ,反向变换不缩放(即与默认选项 norm=backward 完全相反).

( gh-16476 )

NumPy 现在是类型化的#

已经为 NumPy 的大部分添加了类型注解.还有一个新的 numpy.typing 模块,其中包含对最终用户有用的类型.当前可用的类型有:

  • ArrayLike :用于可以强制转换为数组的对象

  • DtypeLike :用于可以强制转换为 dtype 的对象

( gh-16515 )

numpy.typing 在运行时可访问#

现在可以在运行时导入 numpy.typing 中的类型.如下代码现在可以工作:

from numpy.typing import ArrayLike
x: ArrayLike = [1, 2, 3, 4]

( gh-16558 )

f2py 生成模块的新 __f2py_numpy_version__ 属性.#

由于 f2py 与 NumPy 一起发布, __f2py_numpy_version__ 提供了一种跟踪 f2py 用于生成模块的版本的途径.

( gh-16594 )

可以通过 runtests.py 运行 mypy 测试#

目前,使用配置的 NumPy 存根运行 mypy 需要以下操作之一:

  • 安装 NumPy

  • 将源目录添加到 MYPYPATH 并链接到 mypy.ini

这两种选择都有些不方便,因此添加一个 --mypy 选项到 runtests,该选项可以处理为你设置的事情.将来,这也将对任何类型代码生成有用,因为它将确保在类型检查之前构建项目.

( gh-17123 )

用户定义的 BLAS/LAPACK 检测顺序的否定#

distutils 允许在确定 BLAS/LAPACK 库时否定库.这可以用于从库解析阶段删除一个条目,例如,要禁止 NetLIB 库,可以这样做:

NPY_BLAS_ORDER='^blas' NPY_LAPACK_ORDER='^lapack' python setup.py build

这将使用任何加速库代替.

( gh-17219 )

允许将优化参数传递给 asv build#

现在可以将 -j , --cpu-baseline , --cpu-dispatch 和 --disable-optimization 标志传递给使用 --bench-compare 参数时的 ASV 构建.

( gh-17284 )

现在支持 NVIDIA HPC SDK nvfortran 编译器#

已添加对 nvfortran 编译器的支持,它是 pgfortran 的一个版本.

( gh-17344 )

cov 和 corrcoef 的 dtype 选项#

现在 numpy.cov 和 numpy.corrcoef 可以使用 dtype 选项.它指定返回结果应具有哪种数据类型.默认情况下,这些函数仍然返回一个 numpy.float64 结果.

( gh-17456 )

改进#

改进了多项式的字符串表示形式 ( __str__ )#

numpy.polynomial 中所有六种多项式类型的字符串表示形式 ( __str__ ) 已更新,以将多项式表示为数学表达式,而不是系数数组. 有两种软件包范围的多项式表达式格式可用 - 一种使用 Unicode 字符作为上标和下标,另一种仅使用 ASCII 字符.

( gh-15666 )

删除 Accelerate 库作为候选 LAPACK 库#

Apple 已不再支持 Accelerate.请将其移除.

( gh-15759 )

包含多行对象的对象数组具有更易读的 repr#

如果对象数组的元素具有包含换行符的 repr ,则包装的行将按列对齐. 值得注意的是,这改进了嵌套数组的 repr

>>> np.array([np.eye(2), np.eye(3)], dtype=object)
array([array([[1., 0.],
              [0., 1.]]),
       array([[1., 0., 0.],
              [0., 1., 0.],
              [0., 0., 1.]])], dtype=object)

( gh-15997 )

Concatenate 支持提供输出 dtype#

concatenate 添加了支持,可以使用关键字参数提供输出 dtype 和 casting . dtype 参数不能与 out 参数一起提供.

( gh-16134 )

线程安全的 f2py 回调函数#

f2py 中的回调函数现在是线程安全的.

( gh-16519 )

numpy.core.records.fromfile 现在支持类文件对象#

numpy.core.records.fromfile 现在可以使用类文件对象,例如 io.BytesIO

( gh-16675 )

在 distutils 中添加了对 AIX 的 RPATH 支持#

这允许在 AIX 上构建 SciPy.

( gh-16710 )

使用命令行参数指定的 f90 编译器#

numpy.distutils.fcompiler 中更改了 Fortran Portland Group Compiler 的编译器命令选择. 这只会影响链接命令. 这强制使用命令行选项(如果提供)提供的可执行文件,而不是 pgfortran 可执行文件. 如果没有为命令行选项提供可执行文件,则它默认为 pgf90 可执行文件,根据 PGI 文档,它是 pgfortran 的别名.

( gh-16730 )

为 Cython 3.0 及更高版本添加 NumPy 声明#

Cython 3.0 的 pxd 声明得到了改进,以避免使用已弃用的 NumPy C-API 功能. 使用 Cython 3.0+ 构建的使用 NumPy 的扩展模块现在可以设置 C 宏 NPY_NO_DEPRECATED_API=NPY_1_7_API_VERSION 以避免 C 编译器关于已弃用 API 使用的警告.

( gh-16986 )

使窗口函数完全对称#

确保 NumPy 提供的窗口函数是对称的. 以前,由于数值精度,存在小的对称偏差,现在通过更好地安排计算来避免这种情况.

( gh-17195 )

性能改进和更改#

启用多平台 SIMD 编译器优化#

NumPy 基础设施的一系列改进,为 NEP-38 铺平了道路,可以总结如下:

  • 新的构建参数

    • --cpu-baseline 用于指定所需的最小优化集,默认值为 min ,它提供可以在各种用户平台上安全运行的最小 CPU 功能.

    • --cpu-dispatch 用于指定调度的附加优化集,默认值为 max -xop -fma4 ,它启用所有 CPU 功能,除了 AMD 传统功能.

    • --disable-optimization 用于显式禁用整个新改进,它还添加了一个新的 C 编译器 #定义,称为 NPY_DISABLE_OPTIMIZATION ,可以用作任何 SIMD 代码的保护.

  • 高级 CPU 调度器

    一个灵活的跨架构 CPU 调度器,构建在 Python/Numpy distutils 之上,支持具有各种 CPU 功能的所有常见编译器.

    新的调度器需要一个特殊的文件扩展名 *.dispatch.c 来标记可调度的 C 源代码. 这些源代码能够被多次编译,以便每个编译过程代表某些 CPU 功能,并提供影响代码路径的不同 #定义和标志.

  • 新的自动生成的 C 头文件 core/src/common/_cpu_dispatch.h *

    此头文件由distutils模块 ccompiler_opt 生成,包含指令集的所有#definitions和头文件,这些指令集已通过命令参数“–cpu-baseline”和“–cpu-dispatch”进行配置.

  • 新的C头文件 core/src/common/npy_cpu_dispatch.h *

    此头文件包含整个CPU调度过程所需的所有实用程序,它也可以被认为是将新的基础结构工作与NumPy CPU运行时检测联系起来的桥梁.

  • 向NumPy umath模块(Python 级别)添加新属性

    • __cpu_baseline__ 列表包含根据指定给命令参数“–cpu-baseline”的值,编译器和平台支持的最小的必需优化集.

    • __cpu_dispatch__ 列表包含根据指定给命令参数“–cpu-dispatch”的值,编译器和平台支持的已调度的附加优化集.

  • 在运行PytestTester期间打印支持的CPU功能

( gh-13516 )

变更#

np.linspace 在整数上现在使用 floor#

当在 numpy.linspace 中使用 int dtype 时,以前浮点值将被向零舍入.现在改为使用 numpy.floor ,它会向 -inf 舍入.这会更改负值的结果.例如,以下内容以前会给出:

>>> np.linspace(-3, 1, 8, dtype=int)
array([-3, -2, -1, -1,  0,  0,  0,  1])

现在结果为:

>>> np.linspace(-3, 1, 8, dtype=int)
array([-3, -3, -2, -2, -1, -1,  0,  1])

仍然可以使用以下方法获得以前的结果:

>>> np.linspace(-3, 1, 8).astype(int)
array([-3, -2, -1, -1,  0,  0,  0,  1])

( gh-16841 )

当前页面