Python Numpy标量上的二进制操作会自动向上转换为float64

我想在np.float32和内置Python int和float之间执行二进制操作（如加法和乘法），并得到一个np.float32作为返回类型。但是，它会自动升级为np.64

示例代码：

>>> a = np.float32(5)
>>> a.dtype
dtype('float32')
>>> b = a + 2
>>> b.dtype
dtype('float64')

如果我用一个np.float128这样做，b也会变成一个np.float128。这是好的，因为这样可以保持精度。然而，在我的示例中，不需要向上转换到np.float64来保持精度，但它仍然存在。如果我将2.0（一个Python浮点（64位））添加到a而不是2，那么转换将是有意义的。但即使在这里，我也不想要它

因此，我的问题是：在将二进制运算符应用于np.float32和内置Python int/float时，如何更改转换？或者，将单精度作为所有计算的标准，而不是双精度，也可以算作解决方案，因为我从来都不需要双精度。其他人要求这样做，但似乎没有找到解决办法

我知道numpy数组和数据类型。这里我得到了想要的行为，因为数组总是保留其数据类型。然而，当我对数组的单个元素执行操作时，我得到了不需要的行为。 我对一个解决方案有一个模糊的想法，涉及到子类化np.ndarray（或np.float32）和更改uu数组u优先级uu的值。到目前为止，我还不能让它工作

---

我为什么在乎？我正在尝试使用Numba编写一个n体代码。这就是为什么我不能简单地对整个阵列执行操作的原因。将所有np.float64更改为np.float32会使速度提高约2倍，这一点很重要。np.float64-casting行为会彻底破坏这种速度，因为我的np.float32数组上的所有操作都是以64精度完成的，然后向下转换到32精度。

我不确定NumPy行为，或者你到底是如何尝试使用Numba的，但是明确说明Numba类型可能会有所帮助。例如，如果您这样做：

@jit
def foo(a):
    return a[0] + 2;

a = np.array([3.3], dtype='f4')
foo(a)

@jit
def foo():
    a = np.arange(1000000, dtype='f4')
    result = np.zeros(1000000, dtype='f4')
    for i in range(a.size):
        result[0] = a[0] + 2

[0]中的float32值在add操作之前被提升为float64（如果您不介意深入研究llvm IR，您可以通过使用numba命令运行代码并使用--dump llvm或--dump optimized标志：numba--dump optimized numba_test.py来亲自看到这一点）。但是，通过将函数签名（包括返回类型）指定为float32：

@jit('f4(f4[:]'))
def foo(a):
    return a[0] + 2;

[0]中的值不会提升为float64，尽管结果被强制转换为float64，以便在函数返回Python land时将其转换为Python float对象

如果可以事先分配一个数组来保存结果，则可以执行以下操作：

@jit
def foo(a):
    return a[0] + 2;

a = np.array([3.3], dtype='f4')
foo(a)

@jit
def foo():
    a = np.arange(1000000, dtype='f4')
    result = np.zeros(1000000, dtype='f4')
    for i in range(a.size):
        result[0] = a[0] + 2

即使您自己进行循环，编译代码的性能也应该与NumPy ufunc相当，并且不应该发生对float64的强制转换（同样，这可以通过查看Numba生成的llvm IR来验证）