为什么在大于9的幂次中提升numpy数组会返回错误的结果？

我不明白为什么提高超过9的力量对我来说不起作用。看起来很简单：例如，我只是想用10的力量来提高10，但不管是什么原因，numpy都失败了。有什么问题吗

import numpy as np
number = 10
arr = [number]

print(np.power(np.array(arr),number)) # [1410065408]
print([n**number for n in arr]) # [10000000000]

为什么在大于9的幂中提升

numpy

数组会返回错误的结果

由于在

np.array

实例化时使用的隐式（从类型推断中假定）

dtype

，以及溢出副作用：

>>> np.power( np.array( arr, dtype = np.int64 ), 10 )
array([10000000000], dtype=int64)

>>> np.power( np.array( arr, dtype = np.int32 ), 10 )
array([-2147483648])

>>> np.power( np.array( arr, dtype = np.int   ), 10 )
array([-2147483648])

>>> np.power( np.array( arr                   ), 10 )
array([-2147483648])

>>> pass;     np.array( arr ).dtype
dtype('int32')

---

那么这个问题的解决方案是什么呢？显然，一个正确的、类型安全的

numpy.array

实例化，如上所述——使用

np.array（arr，dtype=np.int64）

和int64（在我的系统中，它是默认的）一起溢出，即使字体很长，它也会在19次方和20次方溢出。不要惊讶，这些都是基本事实。如果您寻求任意精度的数字表示，则可以使用

np.array（…，dtype=…）

来存储值。然而，这还不足以完成所有任意精度的数学运算，因为还需要使用适当的工具来表示这些数字（这远远超出了本文的范围）。你可能会在这里、StackOveflow或其他地方找到关于任意精度操作的更详细的帖子，如果有兴趣，还可以找到超过1E+4小数位的例子。