在尝试更新旧的 Python 脚本时,我遇到了以下错误:
module 'numpy' has no attribute 'asscalar'. Did you mean: 'isscalar'?
具体:
def calibrate(x, y, z):
# H = numpy.array([x, y, z, -y**2, -z**2, numpy.ones([len(x), 1])])
H = numpy.array([x, y, z, -y**2, -z**2, numpy.ones([len(x)])])
H = numpy.transpose(H)
w = x**2
(X, residues, rank, shape) = linalg.lstsq(H, w)
OSx = X[0] / 2
OSy = X[1] / (2 * X[3])
OSz = X[2] / (2 * X[4])
A = X[5] + OSx**2 + X[3] * OSy**2 + X[4] * OSz**2
B = A / X[3]
C = A / X[4]
SCx = numpy.sqrt(A)
SCy = numpy.sqrt(B)
SCz = numpy.sqrt(C)
# type conversion from numpy.float64 to standard python floats
offsets = [OSx, OSy, OSz]
scale = [SCx, SCy, SCz]
offsets = map(numpy.asscalar, offsets)
scale = map(numpy.asscalar, scale)
return (offsets, scale)
我发现
asscalar
自 NumPy 1.16 起已被弃用。我发现一篇参考文献说要使用 numpy.ndarray.item
,但我不知道如何做到这一点。
我确实尝试过这个:
offsets = map.item(offsets)
scale = map.item( scale)
但出现此错误:
AttributeError: type object 'map' has no attribute 'item'
我该如何解决这个问题?
只需将
numpy.scalar
替换为numpy.ndarray.item
,即改变
offsets = map(numpy.asscalar, offsets)
scale = map(numpy.asscalar, scale)
到
offsets = map(numpy.ndarray.item, offsets)
scale = map(numpy.ndarray.item, scale)
假设
X
是形状为 (6,) 的一维数组,我创建了一个虚拟样本,并应用了您的计算(通过第一个偏移)
X = np.array([1, 2.3, 3.2, .4,5.2, 3])
并得到两个 numpy 标量列表。
In [58]: offsets
Out[58]: [0.5, 2.8749999999999996, 0.3076923076923077]
In [59]: type(offsets[0])
Out[59]: numpy.float64
看起来
map
行是 Python 2,旨在生成常规 Python 浮点数列表。 Python 3 将使用 list(map(...))
。
item
是 numpy 标量(和单项数组)的一种方法。它可以用作:
In [60]: [OSx.item(), OSy.item(), OSz.item()]
Out[60]: [0.5, 2.8749999999999996, 0.3076923076923077]
In [61]: [i.item() for i in offsets]
Out[61]: [0.5, 2.8749999999999996, 0.3076923076923077]
一个将其应用于 OS 值,然后将其收集到列表中,另一个使用列表理解(这比
map
更容易使用,至少对于此而言)。
同样适用于
scale
。
但是对于
scale
,我们不需要单独取 sqrt;只需从 3 个值创建一个数组,将 sqrt 应用于整个数组。然后使用 tolist()
方法创建 python 浮点数列表。这比尝试单独执行 sqrt 和 item 更好。
In [63]: np.sqrt(np.array([A,B,C]))
Out[63]: array([2.65491199, 4.19778444, 1.16425593])
In [64]: np.sqrt(np.array([A,B,C])).tolist()
Out[64]: [2.6549119933262744, 4.197784443104389, 1.1642559271506094]