Numpy浮点数提升的不一致性

Question

我了解到在 x = f() * g()中，首先执行f()，然后执行g()，然后将结果相乘，并最终赋值给x。但下面的内容似乎与此相矛盾：

import numpy as np

print(np.sqrt(2).dtype)
print((np.array([1.], dtype='float32') * np.array([.5], dtype='float64')).dtype)
print((np.array([1.], dtype='float32') * np.sqrt(2)).dtype)

>>> float64
>>> float64
>>> float32

根据我的所有先前经验，Numpy会升级到更高的dtype，但这里不是。如果我们分配单独的数组并在之后进行乘法运算，则行为相同。我想Numpy使用了除了dtype以外的一些隐藏属性，而不是覆盖Python执行。

它是如何工作的？

- OverLordGoldDragon

Answer 1

在第二行中：

print((np.array([1.], dtype='float32') * np.array([.5], dtype='float64')).dtype)

你正在对两个数组进行乘法运算，因此它会提升 dtype（正如你所期望的那样）。

但是，在第三行中：

print((np.array([1.], dtype='float32') * np.sqrt(2)).dtype)

你正在将一个标量乘以一个数组，它会保留数组的数据类型。请注意，如果你用一个数组替换标量，像这样：

print((np.array([1.], dtype='float32') * np.sqrt([2])).dtype)

你将会再次获得你所期望的 float64 类型。

- Ehsan

---

我明白了，所以数组的 dtype 始终优先于标量（0-dim）的 dtype？ - OverLordGoldDragon

是的，它确实会： "当标量和数组同时使用时，数组的类型优先"。 - OverLordGoldDragon

请注意， numba @njit 不遵循此约定。 - OverLordGoldDragon

@OverLordGoldDragon 谢谢您的留言。那是一个有趣的细节。 - Ehsan

事实上，Python浮点数也会强制转换为float64，即使每个其他标量和ndim数组都是float32，例如2. * x... 我更希望它遵循Numpy的规则。 - OverLordGoldDragon