意外NumPy的/ Py3k强制规则

Question

我一直在寻找一个程序中的错误，我发现它是由来自numpy的一个意想不到的行为产生...

在做，例如，在不同的一个简单的算术运算使用Python3k和numpy的，像

整数类型

（numpy.uint64）+（int）的

结果是...一个numpy.float64

下面是一个例子：

v = numpy.array([10**16+1], dtype=numpy.uint64) 
print(v[0]) 
v[0] += 1 
print(v[0]) 

它产生如下结果：

10000000000000001 
10000000000000000 

这是相当意外的，当你用整数处理，以避免舍入误差...

上述“问题”可以很容易地解决通过numpy.uint64（1）替换1，但我可以看到许多错误来自这个。这种情况背后的规则和逻辑是什么？有没有关于在这种情况下强制执行的方式的文档？我找不到它。

我之前还以为你可以通过使用.item（）对强制转换的一些见解，但它更误导：

v = numpy.array([10**16+1], dtype=numpy.uint64) 
print(type(v[0].item())) 
v[0] = v[0].item() + 1 
print(v[0]) 

产生

<class 'int'> 
10000000000000001 
10000000000000002 

所以.item（）变换numpy.uint64转换为int，如果你明确地在算术运算中使用它，它就可以工作。

我很惊讶，（但我缺乏经验numpy的，我猜），即，当 'A' 对应于一个特定的numpy的D类，

a.item() + 1 

和

a + 1 

不产生相同的结果......并因此在转换回numpy dtype时给出不同的结果。我通常使用Python 2，但是我必须在Py3k中做一些测试，而且这是一个方便的方法来做到这一点。 。它）

Answer 1

正如上面指出：

它工作正常：

dtype=np.int64 

代替：

dtype=np.uint64 

python 2和3，numpy 1.6和1.9。

只需使用：

np.int64 

没有理由使用uint64，在2⁶⁴ - 1或2⁶³ - 1四溢几乎是所有的实际目的是一样的。

参考

• numpy Issue #5745: uint64 converted silently to float64 when adding an int