Question

当我创建一个numpy ndarray时，

c = np.ndarray((4, 5))

我明白了：

c = array([[  6.58119589e-295,               nan,   2.10077583e-312,
      1.08646184e-311,   2.84381388e-308],
   [  1.93933443e-309,   1.20154015e-306,   2.90571629e-298,
     -7.52450413e-266,   3.00029506e-309],
   [  1.75738822e+159,   1.75738821e+159,   2.17292369e-310,
      8.73989988e+245,   1.77863364e+248],
   [  8.65447358e+251,   6.21822202e+175,   2.63920065e-314,
      6.60553537e-295,   6.06307776e-295]])

这对我来说非常有趣，因为所有值都是超大正值或接近于零，有时我可以在那里使用NaN。

背后的机制是什么？

它是否与sys.float_info sys.float_info(max=1.7976931348623157e+308, max_exp=1024, max_10_exp=308, min=2.2250738585072014e-308, min_exp=-1021, min_10_exp=-307, dig=15, mant_dig=53, epsilon=2.220446049250313e-16, radix=2, rounds=1)以某种方式相关？

愿意看到你的意见。

更新：

我看到它在内存空间中是垃圾，但是什么决定了它们被解释为这些数字？或者说，python如何表示浮点数？

UPDATE ON UPDATE ：

我看到浮点数是如何工作的，但为什么这些指数是特定的模式呢？

Answer 1

Numpy根据类型（默认为np.float）为数组分配所需的内存。如果没有初始化，您看到的结果是在已分配的内存中转换垃圾。并非所有可能的字节组合都可以转换为float，因此NaN，即Not a Number。

更新

当您询问浮点表示时，请阅读wiki或IEEE 754 standard。

默认情况下，

np.float为64 bit：

>>> np.finfo(np.float)
finfo(resolution=1e-15, min=-1.7976931348623157e+308, max=1.7976931348623157e+308, dtype=float64)

在64b操作系统上，您可以拥有[float128] :( http://en.wikipedia.org/wiki/Quadruple_precision_floating-point_format）

>>> np.finfo(np.float128)
finfo(resolution=1e-18, min=-1.18973149536e+4932, max=1.18973149536e+4932, dtype=float128)

Answer 2

根据documentation，如果您在没有ndarray参数的情况下调用buffer，则其填充的值是随机的。他们建议您使用array，zeros或empty来创建新数组，而不是低级ndarray。

numpy ndarray未初始化的值很有趣

2 个答案: