从签名中我们可以看出它们是不同的:
>>> pow is math.pow
False
import math
import traceback
import sys
inf = float("inf")
NaN = float("nan")
vals = [inf, NaN, 0.0, 1.0, 2.2, -1.0, -0.0, -2.2, -inf, 1, 0, 2]
tests = set([])
for vala in vals:
for valb in vals:
tests.add( (vala, valb) )
tests.add( (valb, vala) )
for a,b in tests:
print("math.pow(%f,%f)"%(a,b) )
try:
print(" %f "%math.pow(a,b))
except:
traceback.print_exc()
print("__builtins__.pow(%f,%f)"%(a,b) )
try:
print(" %f "%__builtins__.pow(a,b))
except:
traceback.print_exc()
然后,我们可以注意到一些细微的差异。例如:
math.pow(0.000000,-2.200000)
ValueError: math domain error
__builtins__.pow(0.000000,-2.200000)
ZeroDivisionError: 0.0 cannot be raised to a negative power
还有其他区别,并且上面的测试列表不完整(没有长数字,没有复数,等等),但这将为我们提供实用的列表,说明这两个函数的行为方式不同。我还建议扩展上述测试,以检查每个函数返回的类型。您可能会写类似的东西来创建两个函数之间差异的报告。
math.pow()
处理其参数的方法与内建**
或完全不同pow()
。这是以灵活性为代价的。在看看源,我们可以看到,参数math.pow()
被 :
static PyObject *
math_pow(PyObject *self, PyObject *args)
{
PyObject *ox, *oy;
double r, x, y;
int odd_y;
if (! PyArg_UnpackTuple(args, "pow", 2, 2, &ox, &oy))
return NULL;
x = PyFloat_AsDouble(ox);
y = PyFloat_AsDouble(oy);
/*...*/
然后针对双精度进行检查以检查有效性,然后将结果传递到基础C数学库。
另一方面,内置函数pow()
(与**
运算符相同)的行为却大不相同,它实际上使用了Objects自己的**
运算符实现,如果需要替换数字的或方法__pow__()
,最终用户可以重写该实现。__rpow__()``__ipow__()
对于内置类型,研究为两个数字类型实现的幂函数之间的差异是有启发性的,例如floats,long和complex。
在此处描述了模拟数字类型。本质上,如果您要为不确定性的数字创建新的类型,则要做的是为类型提供__pow__()
,__rpow__()
并可能提供__ipow__()
方法。这将使您的号码可以与运营商一起使用:
class Uncertain:
def __init__(self, x, delta=0):
self.delta = delta
self.x = x
def __pow__(self, other):
return Uncertain(
self.x**other.x,
Uncertain._propagate_power(self, other)
)
@staticmethod
def _propagate_power(A, B):
return math.sqrt(
((B.x*(A.x**(B.x-1)))**2)*A.delta*A.delta +
(((A.x**B.x)*math.log(B.x))**2)*B.delta*B.delta
)
为了覆盖,math.pow()
您将不得不对其进行修补以支持您的新类型:
def new_pow(a,b):
_a = Uncertain(a)
_b = Uncertain(b)
return _a ** _b
math.pow = new_pow
请注意,要执行此操作,您必须纠缠Uncertain
类以应对Uncertain
实例作为输入的__init__()