una - Python RuntimeWarning: desbordamiento encontrado en escalares largos

transpuesta de una matriz en python numpy

Question

Soy nuevo en la programación. En mi último proyecto de Python 2.7 encontré lo siguiente:

RuntimeWarning: overflow encontrado en long_scalars

¿Podría alguien explicar por favor qué significa esto y qué podría hacer para solucionarlo?

El código se ejecuta, pero no estoy seguro si es una buena idea ignorar la advertencia.

Sucede durante un proceso de adición como:

SomeList.append(VeryLongFormula)

Answer 1

Aquí hay un ejemplo que emite la misma advertencia:

import numpy as np
np.seterr(all=''warn'')
A = np.array([10])
a=A[-1]
a**a

rendimientos

RuntimeWarning: overflow encountered in long_scalars

En el ejemplo anterior sucede porque a es de tipo int32 , y el valor máximo almacenable en int32 es 2 ** 31-1. Desde 10**10 > 2**32-1 , la exponenciación da como resultado un número que es más grande que el que se puede almacenar en un int32 .

Tenga en cuenta que no puede confiar en np.seterr(all=''warn'') para detectar todos los errores de desbordamiento en numpy. Por ejemplo, en NumPy de 32 bits

>>> np.multiply.reduce(np.arange(21)+1)
-1195114496

mientras está en NumPy de 64 bits:

>>> np.multiply.reduce(np.arange(21)+1)
-4249290049419214848

Ambos fallan sin ninguna advertencia, aunque también se debe a un error de desbordamiento. ¡La respuesta correcta es 21! igual

In [47]: import math
In [48]: math.factorial(21)
Out[50]: 51090942171709440000L

De acuerdo con el desarrollador numpy, Robert Kern ,

A diferencia de los verdaderos errores de coma flotante (donde el FPU de hardware establece un indicador cada vez que realiza una operación atómica que se desborda), necesitamos implementar la detección de desbordamiento de enteros nosotros mismos. Lo hacemos en los escalares, pero no en las matrices porque sería demasiado lento implementarlo para cada operación atómica en las matrices.

Por lo tanto, le corresponde a usted elegir los dtypes adecuados para que ninguna operación se desborde.

Answer 2

Una manera fácil de superar este problema es usar el tipo de 64 bits

list = numpy.array(list, dtype=numpy.float64)