Mailman 3 January 2006 - NumPy-Discussion

Changed attributes .dtypedescr, .dtypechar, .dtypestr and .dtype
by Travis Oliphant 15 Jan '06

15 Jan '06

There was some cruft left over from the change to making data-type descriptors real Python objects. This left lots of .dtype related attributes on the array object --- too many as Francesc Altet graciously pointed out. In the latest SVN, I've cleaned things up (thanks to a nice patch from Francesc to get it started). Basically, there is now only one attribute on the array object dealing with the data-type (arr.dtype). This attribute returns the data-type descriptor object for the array. This object itself has the attributes .char, .str, and .type (among others). I think this will lead to less confusion long term. The cruft was due to the fact that my understanding of the data-type descriptor came in December while seriously looking at records module. This will have some backward-compatibility issues (we are still pre-1.0 and early enough that I hope this is not too difficult to deal with). The compatibility to numpy-0.9.2 issues I can see are: 1) Replacing attributes that are now gone: .dtypechar --> .dtype.char .dtypestr --> .dtype.str .dtypedescr --> .dtype 2) Changing old .dtype -> .dtype.type This is only necessary if you were using a.dtype as a *typeobject* as in issubclass(a.dtype, <some scalar type>) If you were using .dtype as a parameter to dtype= then that usage will still work great (in fact a little faster) because now .dtype returns a "descriptor object" 3) The dtypedescr constructor is now called dtype. This change should have gone into the 0.9.2 release, but things got too hectic with all the name changes. I will quickly release 0.9.4 with these changes unless I hear strong disagreements within the next few days. -Travis P.S. SciPy SVN has been updated and fixed with the changes. Numeric compatibility now implies that .typecode() --> .dtype.char although if .typecode() was used as an argument to a function, then .dtype will very likely work. -Travis

2 1

NumPy's integer arithmetics differs from Numeric
by Sasha 15 Jan '06

15 Jan '06

It looks like NumPy and Numeric handle invalid integer operations differently: >>> from numpy import * >>> import Numeric as n >>> array(2)**40 2147483647 >>> array(2)/0 0 In numeric both fail: >>> n.array(2)**40 Traceback (most recent call last): File "<stdin>", line 1, in ? ArithmeticError: Integer overflow in power. >>> n.array(2)/0 Traceback (most recent call last): File "<stdin>", line 1, in ? ZeroDivisionError: divide by zero I don't know if the change was intentional, but if it was, I think it should be advertised. -- sasha

1 1

Top news from Kristie
by Ali Hattie 15 Jan '06

15 Jan '06

Palmer Sara

1 0

round_ vs round
by Alan G Isaac 14 Jan '06

14 Jan '06

numpy's use of `round_` rather than `round` feels like a blemish. Was this done just to protect the built-in? If so, is that a good enough reason? fwiw, Alan Isaac

1 0

Re: [Numpy-discussion] Should dot return 1x1 matrix as scalar?
by Travis Oliphant 14 Jan '06

14 Jan '06

Paulo J. S. Silva wrote: >Obs: Actually I found the "problem" when implementing a QR decomposition >based on Householder reflections and comparing it to a Matlab code. >Numpy is only 10% slower than Matlab in this code. Man, I'll love to >give my numerical linear algebra course this year using Python instead >of Matlab/Octave. > > I would be interested to see how a raw-array solution compares. There is going to be some overhead of using a subclass, because of the attribute lookups that occur on all array creations and because the subclass is written in Python that could be on the order of 10%. Quantifying the subclass slow-down would be useful... Also, which BLAS are you using? -Travis

3 4

ЛОГИСТИКА СКЛАДА: БИЗНЕС-ПЛАНИРОВАНИЕ, ПРОЕКТИРОВАНИЕ И РЕОРГАНИЗАЦИЯ
by 24 - 25 января 2006 года 14 Jan '06

14 Jan '06

Приглашаем руководителей логистических служб, начальников складов, главных технологов принять участие в новом актуальном семинаре: ЛОГИСТИКА СКЛАДА: БИЗНЕС-ПЛАНИРОВАНИЕ, ПРОЕКТИРОВАНИЕ И РЕОРГАНИЗАЦИЯ24 - 25 января 2006 года По окончании семинара Вы повысите свою квалификацию в вопросах проектирования и строительства склада, взаимосвязи отдельных этапов и требований, которые должны предъявляться поставщикам оборудования и услуг в процессе проектирования и строительства, а также освоите методологию разработки бизнес-плана создания склада с набором данных, достаточных для принятия решения и обсуждения с инвесторами. Программа семинара: Бизнес-план - основа процесса проектирования склада. Процесс проектирования, строительства и запуска склада. Бизнес-план - основа успешной эксплуатации. Концепция современной логистики. Сущность логистических процессов. Логистика и современная модель бизнеса. Современные склады - их место в логистике. Типы технологии обработки товаропотоков на современных складах. Типы технологии обработки грузопотоков. Выбор оборудования для склада в зависимости от типа технологии. Технологические зоны склада. Набор зон в зависимости от типа технологического процесса Оборудование для хранения товаров. Классификация типов стеллажного оборудования. Специальное оборудование для склада. Автоматизированные компактные системы хранения, лифтовые и горизонтальные шкафы типа ROTOMAT, LEANLIFT. Особенности технологии подбора штучных заказов. Организация процесса товары к оператору. Подъемно-погрузочная и транспортировочная техника. Классификация и характеристики подъемно-транспортного оборудования. Общий подход к проектированию склада. Оценка ситуации и выбор метода проектирования. Аванпроектирование. Ассортимент товаров и его влияние на потоки. Прогноз развития бизнеса и его влияние на процесс проектирования склада. Выбор стратегии расчета потребных запасов на период 3 - 5 лет. Методология расчета. Разработка схем товарных потоков. Процесс конструирования склада. Технологический процесс на складе. Конструктивная реализация основных технологических процедур. Приемка. Оприходование. Размещение на хранение. Отбор. Комплектация заказов. Хранение готовых заказов. Инвентаризация. Оптимизация параметров проектируемого склада. Имитационное моделирование - основа методов оптимизации. Математическое моделирование технологических процессов. Метод пошаговой оптимизации. Анализ экономических характеристик склада и расчет периода возврата инвестиций. Капитальные и эксплуатационные затраты по разделам проекта. Расчет экономических характеристик склада. Примеры для различных типов конструкции склада. Автоматическая идентификация в современных системах управления. Штриховое кодирование. Методы и аппаратура. Режимы работы в реальном масштабе времени по радиоканалу. Системы управления технологическими процессами на складе АВТОР СЕМИНАРА - Последние 7 лет занимается разработкой технологических проектов внутренней логистики производственных предприятий и складских систем различных классов. В настоящее время ведет разработку проектов новых складских комплексов для ряда заказчиков, таких как AVON, компания ЕТМ, КОМУС, компании Computerized Storage Systems Corp (проекты высотных складов - автоматов), компания ЛАВЕРНА. Данную программу Вы можете заказать в корпоративном варианте,с учетом специфики Вашего бизнеса и уровня подготовки группы. Получить подробную информацию Вы можете по телефонам: (495) 980-65-З9, 98О-65-36

1 0

Numpy and the old scipy
by Andrea Riciputi 13 Jan '06

13 Jan '06

Hi all, I'm a long time Numeric and SciPy user and I've been following with interest the development of the new Numpy package since last year when Travis started rewriting Numeric (thanks a lot Travis!). Now that Numpy seems in a quite-ready state I'd like to give it a try (and hopefully help the developer in the bug fixing cycle). However I remember that in its early days (when it was still named scipy_core) it was not possible to install both the old scipy version (I mean version 0.3.2) and the new one. Since I use both Numeric and SciPy (the old one) on a daily basis for my job, I'd like to know if it's still the case, or if it is now possible to install the new numpy package side by side with the old scipy (and Numeric as well). Thanks, Andrea.

4 3

question about index array behavior
by Russel Howe 13 Jan '06

13 Jan '06

In the session below, I expected the for loop and the index array to have the same behavior. Is this behavior by design? Is there some other way to get the behavior of the for loop? The loop is too slow for my application ( len(ar1) == 18000). Russel Python 2.4.2 (#1, Nov 29 2005, 08:43:33) [GCC 4.0.1 (Apple Computer, Inc. build 5247)] on darwin Type "help", "copyright", "credits" or "license" for more information. >>> from numarray import * >>> import numarray.random_array as ra >>> print libnumarray.__version__ 1.5.0 >>> ar1=ra.random(10) >>> ar2=zeros(5, type=Float32) >>> ind=array([0,0,1,1,2,2,3,3,4,4]) >>> ar2[ind]+=ar1 >>> ar2 array([ 0.09791247, 0.26159889, 0.89386773, 0.32572687, 0.86001897], type=Float32) >>> ar1 array([ 0.49895534, 0.09791247, 0.424059 , 0.26159889, 0.29791802, 0.89386773, 0.44290054, 0.32572687, 0.53337622, 0.86001897]) >>> ar2*=0.0 >>> for x in xrange(len(ind)): ... ar2[ind[x]]+=ar1[x] ... >>> ar2 array([ 0.5968678 , 0.68565786, 1.19178581, 0.76862741, 1.39339519], type=Float32) >>>

2 1

Re: [Numpy-discussion] Should dot return 1x1 matrix as scalar?
by Travis Oliphant 13 Jan '06

13 Jan '06

Paulo J. S. Silva wrote: >Ops... You are right. The example is not good. Look this though (now I >am actually copying my ipython session, instead of "remembering" it): > >--- Session copy here --- > >In [5]:x = matrix(arange(10.)).T >In [6]:x = matrix(arange(3.)).T >In [7]:A = matrix([[1.,2,3],[4,5,6],[7,8,9]]) >In [8]:b = x.T*x*A >--------------------------------------------------------------------------- >exceptions.ValueError Traceback (most >recent call last) > >/home/pjssilva/<console> > >/usr/local/lib/python2.4/site-packages/numpy/core/defmatrix.py in >__mul__(self, other) > 126 return N.multiply(self, other) > 127 else: >--> 128 return N.dot(self, other) > 129 > 130 def __rmul__(self, other): > >ValueError: matrices are not aligned > >--- End of copy --- > >You see, the inner product can not be used to mutiply by a matrix, which >is very odd in linear algebra. As the matrix class is supposed to >represent the linear algebra object we I see two options: > >1) Change the __mul__, __rmul__, __imul__ to deal with 1x1 matrices as >scalars. > >2) Change dot to convert 1x1 matrix to scalar at return. > > or 3) Return scalars instead of 1x1 matrices inside of __array_finalize__ (where the magic of ensuring matrices are rank-2 arrays is actually done).

2 1

Should dot return 1x1 matrix as scalar?
by Paulo J. S. Silva 13 Jan '06

13 Jan '06

Hello, I was playing with the matrix type in numpy and I felt the "need" to have the "dot" function returning a 1x1 matrix as a scalar. This would allow for expressions like: x = matrix(arange(10.)) versorX = x / sqrt(x.T*x) Right now, I have to write: versorX = x / sqrt(x.T*x).item() Actually, a.T*b can not always be used as the inner product with the current behavior. Note that dot already returns scalars when we multiply rank-1 arrays, but matrices are always rank-2. Best, Paulo

3 3