Geben Sie hinting / annotation (PEP 484) für numpy.ndarray ein

Hat jemand Typhinweise für die jeweilige numpy.ndarrayKlasse implementiert ?

Im Moment benutze ich typing.Any, aber es wäre schön, etwas Spezifischeres zu haben.

Zum Beispiel , wenn die NumPy Menschen hinzugefügt einen Typen alias für ihre array_like Objektklasse. Besser noch, implementieren Sie die Unterstützung auf dtype- Ebene, damit andere Objekte sowie ufunc unterstützt werden .

Es sieht so aus, als ob das typingModul entwickelt wurde bei:

https://github.com/python/typing

Das Haupt- numpyRepository befindet sich unter

https://github.com/numpy/numpy

Python-Fehler und Commits können unter verfolgt werden

http://bugs.python.org/

Die übliche Methode zum Hinzufügen eines Features besteht darin, das Haupt-Repository zu teilen, das Feature so lange zu entwickeln, bis es bombensicher ist, und dann eine Pull-Anfrage zu senden. Natürlich möchten Sie an verschiedenen Stellen im Prozess Feedback von anderen Entwicklern. Wenn Sie die Entwicklung nicht selbst durchführen können, müssen Sie jemanden davon überzeugen, dass es sich um ein lohnendes Projekt handelt.

cythonhat eine Form von Anmerkungen, mit denen effizienter CCode generiert wird .

Sie haben array-likein der numpyDokumentation auf den Absatz verwiesen . Beachten Sie die typingInformationen:

Eine einfache Möglichkeit, mit array () herauszufinden, ob das Objekt in ein numpy-Array konvertiert werden kann, besteht darin, es einfach interaktiv zu testen und zu prüfen, ob es funktioniert! (Der Python-Weg).

Mit anderen Worten, die numpyEntwickler lehnen es ab, festgehalten zu werden. Sie beschreiben nicht oder nicht in Worten, in welche Arten von Objekten konvertiert werden kann oder nicht np.ndarray.

In [586]: np.array({'test':1})   # a dictionary
Out[586]: array({'test': 1}, dtype=object)

In [587]: np.array(['one','two'])  # a list
Out[587]: 
array(['one', 'two'], 
      dtype='<U3')

In [589]: np.array({'one','two'})  # a set
Out[589]: array({'one', 'two'}, dtype=object)

Für Ihre eigenen Funktionen eine Anmerkung wie

def foo(x: np.ndarray) -> np.ndarray:

funktioniert. Wenn Ihre Funktion am Ende eine numpyFunktion aufruft , die ihr Argument durchläuft asanyarray(wie viele), wäre eine solche Anmerkung natürlich unvollständig, da Ihre Eingabe ein list, oder np.matrixusw. sein könnte.

Achten Sie bei der Bewertung dieser Frage und Antwort auf das Datum. 484 war damals ein relativ neues PEP und Code, um es für Standard-Python zu verwenden, das sich noch in der Entwicklung befindet. Es sieht jedoch so aus, als ob die bereitgestellten Links noch gültig sind.

Schauen Sie sich DataShape an . Es verwendet die Datentypen sowie eine Syntax für die Größe der Eingabe- und Ausgabearrays.

Was ich getan habe war, es einfach als zu definieren

Diktieren Sie [Tupel [int, int], TYP]

Wenn Sie beispielsweise eine Reihe von Floats möchten, können Sie Folgendes tun:

a = numpy.empty(shape=[2, 2], dtype=float) # type: Dict[Tuple[int, int], float]

Dies ist aus Dokumentationssicht natürlich nicht genau, aber für die Analyse der korrekten Verwendung und die ordnungsgemäße Vervollständigung mit pyCharm funktioniert es hervorragend!

In meiner Firma haben wir verwendet:

from typing import TypeVar, Generic, Tuple, Union, Optional
import numpy as np

Shape = TypeVar("Shape")
DType = TypeVar("DType")


class Array(np.ndarray, Generic[Shape, DType]):
    """
    Use this to type-annotate numpy arrays, e.g.

        def transform_image(image: Array['H,W,3', np.uint8], ...):
            ...

    """
    pass


def func(arr: Array['N,2', int]):
    return arr*2


print(func(arr = np.array([(1, 2), (3, 4)])))

Wir haben tatsächlich einen MyPy-Checker, der überprüft, ob die Formen funktionieren (die wir irgendwann freigeben sollten). Das einzige ist, dass es PyCharm nicht glücklich macht (dh Sie erhalten immer noch die bösen Warnzeilen):

nptyping bietet viel Flexibilität bei der Angabe von Numpy-Typ-Hinweisen.