Python 为什么numpy整数减法会产生浮点64？

在numpy中，为什么整数的减法有时会产生浮点数

>>> x = np.int64(2) - np.uint64(1)
>>> x
1.0
>>> x.dtype
dtype('float64')

---

这似乎仅在使用多个不同的整数类型（例如，有符号和无符号）以及没有更大的整数类型可用时才会发生。

这是

numpy

作者有意识的设计决策。在决定结果类型时，只考虑操作数的类型，而不考虑其实际值。对于您执行的操作，存在结果超出有效范围的风险，例如，如果减去非常大的

uint64

数字，则结果将不适合

int64

。因此，安全的选择是转换为

float64

，这肯定会符合结果（但可能会降低精度）

与

x=np.int32（2）-np.uint32（1）

的示例进行比较。这始终可以安全地表示为

int64

，因此选择该类型。对于

x=np.int64（2）-np.uint32（1）

，情况也是如此。这也将产生一个

int64

另一种选择是遵循c规则，将所有内容强制转换为

uint64

。当然，这可能会导致非常奇怪的结果，即流量过大/不足

---

如果您想提前知道您将使用哪种类型，请查看

np.result\u type（）

，

np.can\u cast（）

，以及

np.promote\u types（）

。阅读文档中的相关内容也可以帮助您更好地理解这个问题。

但是，我不是numpy方面的专家，我怀疑，由于

float64

是既适合

int64

域又适合

uint64

域的最小数据类型，因此减法会将两个操作数转换为

float64

，从而使操作始终成功

---

例如，在带有

int8

和

uint8

的情况下：

+128-（256）

不能放在

int8

中，因为

-128

在

int8

中无效，因为它只能放回

-127

。同样，我们不能使用

uint8

，因为在这种情况下我们显然需要符号。因此，我们选择浮点/双精度，因为它可以很好地适应两个方向。

当我们用uint32减去int32时，相同的行为不会重复，但结果是int64。看起来numpy提升为float，因为没有更大的整数类型。我找到了有关此转换的任何文档。除了关于这些特定功能的文档（对于更广泛的问题几乎没有什么可说的），您是否知道文档中有部分提到了这一点？我只是找了一会儿，什么也没找到。不，好像很稀少。更多的信息和解释可以通过查看关于该问题的bug报告来找到，例如，这会更详细。