你在-0之間的問題.和0.是浮動應該如何表現的規(guī)范的一部分(IEEE754).在某些情況下,需要這種區(qū)別.例如,參見

the docs for around中鏈接的文檔.

也值得注意的是,這兩個零值應該相等,所以

np.array(-0.)==np.array(+0.)

# True

也就是說,我認為這個問題更有可能與你的唯一性比較.例如：

a = np.array([-1., -0., 0., 1.])

np.unique(a)

# array([-1., -0., 1.])

如果要保留數字為浮點數,但所有零都相同,則可以使用：

x = np.linspace(-2, 2, 6)

# array([-2. , -1.2, -0.4, 0.4, 1.2, 2. ])

y = x.round()

# array([-2., -1., -0., 0., 1., 2.])

y[y==0.] = 0.

# array([-2., -1., 0., 0., 1., 2.])

# or

y += 0.

# array([-2., -1., 0., 0., 1., 2.])

但是,請注意,您必須做這些額外的工作,因為您嘗試避免浮點規(guī)范.

還要注意,這不是由于舍入誤差.例如,

np.fix(np.array(-.4)).tostring().encode('hex')

# '0000000000000080'

np.fix(np.array(-0.)).tostring().encode('hex')

# '0000000000000080'

也就是說,結果的數字完全一樣,但是

np.fix(np.array(0.)).tostring().encode('hex')

# '0000000000000000'

是不同的.這就是為什么你的方法不起作用,因為它比較了數字的二進制表示,這對于兩個零是不同的.因此,我認為問題比比較浮點數的唯一性的一般思想更多的是比較的方法.

對各種方法的快速時間測試：

data0 = np.fix(4*np.random.rand(1000000,)-2)

# [ 1. -0. 1. -0. -0. 1. 1. 0. -0. -0. .... ]

N = 100

data = np.array(data0)

print timeit.timeit("data += 0.", setup="from __main__ import np, data", number=N)

# 0.171831846237

data = np.array(data0)

print timeit.timeit("data[data==0.] = 0.", setup="from __main__ import np, data", number=N)

# 0.83500289917

data = np.array(data0)

print timeit.timeit("data.astype(np.int).astype(np.float)", setup="from __main__ import np, data", number=N)

# 0.843791007996

我同意@ senderle的觀點,如果你想要簡單而精確的比較,并且可以使用int,int將通常更容易.但是如果你想要獨特的浮動,你也應該能夠做到這一點,盡管你需要更仔細地做.浮動的主要問題是,您可以從計算中引入小的差異,并且不會出現在正常打印中,但這不是一個巨大的障礙,特別是不是在一個合適的范圍之后,的浮標.

總結

以上是生活随笔為你收集整理的python去掉数字最后的零_python – 如何消除额外的负号,将数字四舍五入为零时,以numpy为单位？...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。