当涉及2**64顺序的一些数字并且没有指定数据类型时，numpy.array()函数的行为似乎相当奇怪。有人能解释这种行为吗？这是一个bug，还是预期的？
$ python3
Python 3.10.8 (main, Nov 30 2022, 10:05:23) [GCC 4.8.5 20150623 (Red Hat 4.8.5-44)] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> import numpy as np
>>> np.__version__
'1.23.5'
>>> np.array([2**63-1]).dtype
dtype('int64')
>>> np.array([2**64-1]).dtype
dtype('uint64')到目前为止，我认为它是有意义的，int64可能是默认值，但它不能表示2**64-1，所以它切换到uint64。
>>> np.array([2**64-1, 2**63-1]).dtype
dtype('float64')现在我添加了一些其他的数字，它也完全适合uint64，它突然变成了float64。
>>> np.array([2**65-1]).dtype
dtype('O')好的，2**65-1需要某种更大的整数表示。
>>> np.array([2**64-1, 2**65-1]).dtype
dtype('O')这不仅奇怪，而且还影响精度：
>>> int(np.round(np.array([2**64-1])[0]))
18446744073709551615
>>> int(np.round(np.array([2**64-1, 2**63-1])[0]))
18446744073709551616
>>> int(np.round(np.array([2**64-1, 2**65-1])[0]))
18446744073709551615在这三个表达式中，第一个和第三个被计算而不损失精度，但是第二个由于转换为float并返回到int而被舍入。为什么第二个表达式使用浮点数，而完全精确的整数类型显然是可用的？
1条答案
按热度按时间kxe2p93d1#
这是一个已知的问题，NumPy issue 19146。（我不确定它是否越过了被称为bug的界限，但它肯定是一个问题。）看起来几年前可能已经做出了一些努力来改变这种行为，但看起来并没有发生任何事情。
NumPy的uint64处理有很多这样的尴尬情况。没有足够大的整数dtype来容纳uint64 dtype和任何有符号dtype的所有值，因此当操作较小的dtype时，将提升为更大的整数dtype的代码将提升为float64。在尝试做基本算术时也会出现类似的尴尬：