Можно ли создать numpy.ndarray, который содержит сложные целые числа?

Question

Я хотел бы создать numpy.ndarray объекты, которые содержат сложные целочисленные значения в них. NumPy имеет комплексную встроенную поддержку, но для форматов с плавающей запятой (float а также double) только; Я могу создать ndarray с dtype='cfloat', например, но нет аналога dtype='cint16', Я хотел бы иметь возможность создавать массивы, которые содержат сложные значения, представленные с использованием 8- или 16-битных целых чисел.

Я нашел этот список рассылки с 2007 года, где кто-то спрашивал о такой поддержке. Единственный обходной путь, который они рекомендовали, заключался в определении нового dtype который содержит пары целых чисел. Кажется, это представляет каждый элемент массива как кортеж из 2 значений, но не ясно, какую другую работу нужно будет выполнить, чтобы заставить полученный тип данных беспрепятственно работать с арифметическими функциями.

Я также рассмотрел другой подход, основанный на регистрации пользовательских типов в NumPy. У меня нет проблем с переходом на C API, чтобы настроить его, если он будет работать хорошо. Тем не менее, документация для структуры дескриптора типа, кажется, предполагает, что тип kind Поле поддерживает только целые числа со знаком / без знака, числа с плавающей точкой и сложные числовые типы с плавающей точкой. Не ясно, что я смог бы получить что угодно, пытаясь определить сложный целочисленный тип.

Какие-нибудь рекомендации относительно подхода, который может работать?

Изменить: еще одна вещь; Какую бы схему я ни выбрал, она должна быть способна оборачивать существующие сложные целочисленные буферы без выполнения копирования. То есть я хотел бы иметь возможность использовать PyArray_SimpleNewFromData() выставить буфер в Python без необходимости сначала делать копию буфера. Буфер будет уже в реальном / мнимом формате с чередованием и будет либо массивом int8_t или же int16_t,

Answer 1

Я также имею дело со множеством сложных целочисленных данных, как правило, с базовыми данными. я использую

dtype = np.dtype([('re', np.int16), ('im', np.int16)])

Это не идеально, но адекватно описывает данные. Я использую его для загрузки в память, не удваивая размер данных. Он также имеет преимущество в возможности прозрачной загрузки и хранения с HDF5.

DATATYPE  H5T_COMPOUND {
    H5T_STD_I16LE "re";
    H5T_STD_I16LE "im";
}

Использовать это просто, просто по-другому.

x = np.zeros((3,3),dtype)
x[0,0]['re'] = 1
x[0,0]['im'] = 2
x
>> array([[(1, 2), (0, 0), (0, 0)],
>>        [(0, 0), (0, 0), (0, 0)],
>>        [(0, 0), (0, 0), (0, 0)]], 
>>  dtype=[('re', '<i2'), ('im', '<i2')])

Чтобы сделать с ним математику, я конвертирую в собственный сложный тип с плавающей точкой. Очевидный подход не работает, но это не так сложно.

y = x.astype(np.complex64) # doesn't work, only gets the real part
y = x['re'] + 1.j*x['im']  # works, but slow and big
y = x.view(np.int16).astype(np.float32).view(np.complex64)
y
>> array([[ 1.+2.j,  0.+0.j,  0.+0.j],
>>        [ 0.+0.j,  0.+0.j,  0.+0.j],
>>        [ 0.+0.j,  0.+0.j,  0.+0.j]], dtype=complex64)

Этот последний подход к конверсии вдохновлен /questions/6445433/kakoj-samyij-byistryij-sposob-preobrazovat-massiv-chereduyuschihsya-chisel-numpy-v-complex64/6445444#6445444

Answer 2

Рассматривали ли вы использование матриц вида [[a,-b],[b,a]] в качестве замены комплексных чисел? Обычное умножение и сложение матриц соответствует сложению или умножению комплексных чисел (это подкольцо набора матриц 2x2 изоморфно комплексным числам). Я думаю, что python может обрабатывать целочисленную матричную алгебру.

Answer 3

Python и, следовательно, Numpy поддерживает комплексные числа, если вам нужны сложные целые числа, просто используйте np.round или игнорируйте десятичную часть.

например

import numpy as np
#Create 100 complex numbers in a 1D array
a=100*np.random.sample(100)+(100*np.random.sample(100)*1j)
#Reshape to a 2D array
np.round(a)
a.reshape(10,10)

#Get the real and imag parts of a couple x/y points as integers
print int(a[1:2].real)
print int(a[3:4].imag)