做python'；s数字类型会影响数字的低级精度吗？

例如，据我所知，

float

通常用C

double

来表示，整数的精度是无限的。当然，提供了更具体的类型。例如，NumPy中的

float

类型是否会以任何方式影响内存中的数字精度？或者，不同类型的数字是否以相同的精度存储，而该类型只是在更高的级别上以不同的方式实现数字？

上述注释完全正确，还提到了某种形式的检查

但让我们做一些小的演示，我们可以在其中查看消耗的内存：

import numpy as np

a = np.array([1,2,3], dtype=float)
print(a.nbytes)
b = np.array([1,2,3], dtype=np.float32)
print(b.nbytes)
c = np.array([1,2,3], dtype=np.longfloat)  # this one: OS/Build-dependent
print(c.nbytes)

输出：

您还可以读取每个项目的大小：

c.itemsize
# 16

一般来说，如果您知道一些C/C++类型，这对大多数类型来说都是非常直观的，但有一个例外：bool将为每个条目获取一个完整的字节（尽管有一点！），这也在下面的链接中有说明

---

这方面最重要的文档条目可能是类型概述和您可以查询的属性。

注意，您可以通过修改底层内存来查看这一点，因为

numpy

数组实现了缓冲协议，我们可以创建

memoryview

：

>>> arr32 = np.array([1,2,3], dtype=np.int32)
>>> arr64 = np.array([1,2,3], dtype=np.int64)
>>> arr32
array([1, 2, 3], dtype=int32)
>>> arr64
array([1, 2, 3])
>>> buff32 = memoryview(arr32)
>>> buff64 = memoryview(arr64)

现在，让我们

看起来它实际上在内存中的大小不同。看看我能做什么

>>> casted32[1] = 1
>>> casted64[2] = 1
>>> arr32
array([257,   2,   3], dtype=int32)
>>> arr64
array([65537,     2,     3])

---

是的，绝对是

numpy

类型对应于存储在基元数组中的实际基元数字类型。您可以通过查看任何给定numpy数组的底层缓冲区上的字节来检查这一点！如果您喜欢以内存效率高的方式处理低级数据类型，它将为您提供许多功能强大的功能。基本上，您可以将

numpy

看作是围绕实现真正多维数组的基本C数组的面向对象包装器。…。@juanpa.arrivillaga。作为C的粉丝，这很可能是一个很深的兔子洞。对任何感兴趣的人来说，是的。如果您熟悉C语言，那么您肯定应该看看普通的Python

struct

和

ctypes

模块。

>>> casted32 = buff32.cast('B')
>>> casted64 = buff64.cast('B')
>>> list(casted32)
[1, 0, 0, 0, 2, 0, 0, 0, 3, 0, 0, 0]
>>> list(casted64)
[1, 0, 0, 0, 0, 0, 0, 0, 2, 0, 0, 0, 0, 0, 0, 0, 3, 0, 0, 0, 0, 0, 0, 0]

>>> casted32[1] = 1
>>> casted64[2] = 1
>>> arr32
array([257,   2,   3], dtype=int32)
>>> arr64
array([65537,     2,     3])