Question

我想知道如何将numpy中的数字舍入到上限或下限阈值，这是预定义步长的函数。希望以更清晰的方式说明，如果我有数字123并且步长等于50，我需要将123舍入到最接近的150或100，在这种情况下为100.我出来的函数下面是哪个工作但我想知道是否有一种更好，更有效的方法来做到这一点。

提前致谢，

保

def getRoundedThresholdv1(a, MinClip):
    import numpy as np
    import math
    digits = int(math.log10(MinClip))+1
    b = np.round(a, -digits)
    if b > a:  # rounded-up
        c = b - MinClip
        UpLow = np.array((b,c))
    else:  # rounded-down
        c = b + MinClip
        UpLow = np.array((c,b))
    AbsDelta = np.abs(a - UpLow)
    return UpLow[AbsDelta.argmin()]




getRoundedThresholdv1(143, 50)

Answer 1

我认为您不需要numpy：

def getRoundedThresholdv1(a, MinClip):
    return round(float(a) / MinClip) * MinClip

此处a是一个数字，如果您想要对此功能进行矢量化，则只需将round替换为np.round，将float(a)替换为np.array(a, dtype=float) < / p>

Answer 2

请注意，Ruggero Turra 中的 round() 他的答案四舍五入到最接近的偶数。含义：

a= 0.5
round(a)

Out: 0

这可能不是您所期望的。

如果您想要“经典”舍入，可以使用此函数，它支持标量和 Numpy 数组：

import Numpy as np

def getRoundedThresholdv1(a, MinClip):
    scaled = a/MinClip
    return np.where(scaled % 1 >= 0.5, np.ceil(scaled), np.floor(scaled))*MinClip

或者，您可以使用 Numpy 的方法 digitize。它要求您定义步骤数组。 digitize 会将 ceil 您的价值转化为下一步。因此，为了以“经典”方式舍入，我们需要一个中间步骤。

你可以使用这个：

import Numpy as np
    
def getRoundedThresholdv1(a, MinClipBins):
    intermediate = (MinClipBins[1:] + MinClipBins[:-1])/2
    return MinClipBins[np.discritize(a, intermediate)]

然后你可以这样称呼它：

bins = np.array([0,  50, 100, 150])
test1 = getRoundedThresholdv1(74, bins)
test2 = getRoundedThresholdv1(125, bins)

给出：

test1 = 50
test2 = 150

Answer 3

总结：这是一个正确的方法，最上面的答案有不起作用的情况：

def round_step_size(quantity: Union[float, Decimal], step_size: Union[float, Decimal]) -> float:
"""Rounds a given quantity to a specific step size
:param quantity: required
:param step_size: required
:return: decimal
"""
precision: int = int(round(-math.log(step_size, 10), 0))
return float(round(quantity, precision))

我的声誉太低，无法对 Ruggero Turra 的最佳答案发表评论并指出问题。但是它有一些不起作用的情况，例如：

def getRoundedThresholdv1(a, MinClip):
    return round(float(a) / MinClip) * MinClip

getRoundedThresholdv1(quantity=13.200000000000001, step_size=0.0001)

无论是使用 numpy 还是标准库回合，都会立即返回 13.200000000000001。我什至没有通过对功能进行压力测试来发现这一点。它只是在生产代码中使用它时出现并吐出错误。

注意这个答案的全部功劳来自一个开源 github 存储库，它不是我发现的 here

在numpy到最近的一步

3 个答案: