umpy：在添加一个数字时，如何保留一半精度数组标量输入的数据类型

Question

x = np.float32(3)

。我想添加一个：

y = x + 1

。但是，

y

将是float64而不是float32。

我只能想到两个解决方法：

将输入转换为1D数组：

x = np.float32([3])

使得
• y = x + 1

  是float32

  将1转化为较低的精度：

  y = np.float32(3) + np.float16(1)
是float32
• ，无论如何，我有很多功能，因此上述修复程序要求我在每个功能中添加IF-ELSE语句...有什么更好的方法吗？谢谢！

您可以使用

Answer 1

如下：

>>> res = np.add(np.array([3], dtype=np.float32), np.float16(1), dtype=np.float64)
>>> res
array([4.])

>>> res.dtype
dtype('float64')

您注意到，在标量数组中添加python值会返回一个默认dtype的值：

Answer 2

In [188]: np.float32(1.0) + 1
Out[188]: 2.0

In [189]: type(_)
Out[189]: numpy.float64

为什么关心这个dtype？

如果将标量添加到数组中，则保留了dtype。

In [190]: np.array([1.0], 'float32')+1
Out[190]: array([2.], dtype=float32)

我对使用

np.float32(..)

而不是制作数组的代码可疑。 通常，我们担心大型数组的dtype，而不是单个术语 - 尤其是在重点是内存使用的情况下。

获取

np.float32

对象最自然的情况是当我们提取数组的元素时：

In [193]: type(np.array([1.0], 'float32')[0])
Out[193]: numpy.float32

保留type的是两个术语的类型相同

In [196]: type(np.float32(12)+np.float32(34))
Out[196]: numpy.float32

是将标量转换为numpy，它创建了

float64

：

In [198]: np.array(1.0).dtype
Out[198]: dtype('float64')

您观察到的是类型促销。一个结果 涉及不同类型的二进制操作被“促进”到更高 精度类型。促销规则在numpy 2.0和 您显示的行为再也无法观察到：

In [15]: np.float32(3) + 1
Out[15]: np.float32(4.0)

the the the numpy文档中指定了这一点：

由于Numpy 2.0 [2]，我们促销规则的重要一点是 尽管涉及两个Numpy Dtypes的操作永远不会丢失 精度，涉及数字dtype和python标量的操作 （int，float或复杂）可能会失去精度。例如，它是 可能是直观的，这是python之间操作的结果 整数和numpy整数应该是一个数字整数。然而， python整数具有任意精度，而所有numpy dtypes 具有固定的精度，因此Python整数的任意精度 不能保留

Answer 3

numpy通常考虑了python标量的“种类”，但是 确定结果dtype时忽略其精度。这是 通常方便。

，例如，使用低的数组 精确的dtype，通常需要使用 python标量以保留dtype。