关于Float：

In [174]: a = np.array([1.32,23.01,3],dtype='d')    
In [175]: b = np.array([1.32,23.01,3],dtype='g')

底层的数据缓冲区是相同的-将它们视为字节：

In [176]: a.view('u1')
Out[176]: 
array([ 31, 133, 235,  81, 184,  30, 245,  63, 195, 245,  40,  92, 143,
         2,  55,  64,   0,   0,   0,   0,   0,   0,   8,  64], dtype=uint8)

In [177]: b.view('u1')
Out[177]: 
array([ 31, 133, 235,  81, 184,  30, 245,  63, 195, 245,  40,  92, 143,
         2,  55,  64,   0,   0,   0,   0,   0,   0,   8,  64], dtype=uint8)

In [178]: a.dtype, b.dtype
Out[178]: (dtype('float64'), dtype('float64'))

在我的机器上（常规Windows 11），longdouble与double相同;它不支持float96或float128。
虽然list包含对python对象的引用，但numpy数组有一个'raw' c字节数组。a[0]不会返回该数组中的对象。它返回一个新的python对象，一个numpy scalar，其类型由dtype确定，并且值是从数组中“复制”的。这种unboxing比列表索引更复杂，也更慢。

In [179]: a[0], b[0]
Out[179]: (1.32, 1.32)    
In [180]: type(a[0]), type(b[0])
Out[180]: (numpy.float64, numpy.longdouble)

在这些类型下面有一个复杂的类继承树

In [193]: type(a[0]).__mro__
Out[193]: 
(numpy.float64,
 numpy.floating,
 numpy.inexact,
 numpy.number,
 numpy.generic,
 float,
 object)

In [194]: type(b[0]).__mro__
Out[194]: 
(numpy.longdouble,
 numpy.floating,
 numpy.inexact,
 numpy.number,
 numpy.generic,
 object)

正如scalars页面上所记录的，有很多aliases。