В Matlab есть команда для определения нового типа numeri c, например:
numerictype(0,16,8)
см. Документацию: https://www.mathworks.com/help/fixedpoint/ref/embedded.numerictype.html
Есть ли эквивалент в numpy или другой библиотеке? Могу ли я создать свой собственный dtype с помощью аналогичной команды?
РЕДАКТИРОВАТЬ:
Поскольку меня попросили предоставить дополнительную информацию, вот ссылка на то, как типы чисел с фиксированной точкой c работают в Matlab: https://www.mathworks.com/help/dsp/ug/concepts-and-terminology.html в основном вы устанавливаете подписанный / беззнаковый характер, а затем, как долго должно быть слово вместе с дробной длиной. Так, например, в приведенном мною примере у вас будет число со знаком с длиной слова 16 и дробной длиной 10.
Из того, что я читал о структурированных массивах, похоже, что подобное представление может быть чем-то вроде строки:
dtype=[('signed', np.bool_), ('word', np.int16), ('frac', np.int16)])
Моя конечная цель состоит в том, чтобы достичь трех отдельных операторов повторного преобразования, а именно:
reinterpretcast(EVMacq,numerictype(0,16,8))
reinterpretcast(Payload16c,numerictype(1,16,16))
reinterpretcast(Payload32,numerictype(1,32,32))
Если есть способ сделать это проще, я более чем счастлив сделайте это по-другому.
Вот расшифровка информации, которую я добавил в комментариях:
mathworks.com / help / fixedpoint / ref / reinterpretcast. html вот документация реинтерпретации из матлаб. По сути, вы передаете целое число или число с фиксированной точкой, а функция как бы перемещает десятичную точку. Это делает это так, даже если двоичные данные не изменились, числовое значение переменной c другое.
Иногда вы можете добиться аналогичного эффекта для определенных диапазонов чисел путем нормального деления, но это не надежное и нежелательное решение.
Я мог бы сам написать что-нибудь, что бы это сделал, но я бы предпочел, если бы это уже сделал кто-то более умный, чем я. Учитывая, что большая часть функций Matlab включена в numpy, я подумал, что это тоже будет. Структурированные массивы могут быть хорошим выбором, но я не уверен, как именно работает приведение к ним.
РЕДАКТИРОВАТЬ:
Теперь я понимаю, что на самом деле просто хочу отточить одну-единственную команду, если кто-то может сказать мне, как сделать что-то в точности эквивалентное этому приведению, я буду очень рад, поскольку я все еще не могу понять это из. Скорость - не проблема, ее просто нужно запустить.
Вот команда:
reinterpretcast(Payload16c,numerictype(1,16,16)) где Payload16 c - это массив комплексных чисел, определяемый как np.complex(real,imag). Заранее спасибо.
Я пробовал что-то подобное, и это не сработало, но, возможно, на правильном пути. Мне кажется, что какой-то коэффициент масштабирования отличается от того, что произошло бы в MatLab, но каждый раз не тот же коэффициент масштабирования:
i = 0
result = []
#first generate a binary number that is a one in the highest spot and zero elsewhere
comp = 2**wordlength
#next iterate through entire array
while i < array.size:
#check to see if the value of the item is near the largest value it can be
#if so its likely that it is just negative and thats why that bit is high
if(array[i:i+1] < ((2**fracbits)-1000)):
#if it is not near the largest number simply convert divide to move decimal place
real = array[i:i+1] * (2**-fracbits)
else:
#else we subtract comp so that we get the negative number this binary string was supposed to represent.
# print(np.binary_repr(np.uint16(array[i:i+1])))
real = double(array[i:i+1]) - comp
#then we divide it to move the decimal point properly
real = real * (2**-fracbits)
#same for the next number in the array which is the imaginary component
if(array[i+1:i+2] < ((2**fracbits)-2000)):
imag = array[i+1:i+2] * (2**-fracbits)
else:
imag = double(array[i+1:i+2]) - comp
imag = imag * (2**-fracbits)
result.append(np.complex(real,imag))
i+=2
return result