在将楼层分割与NumPy一起使用时，为什么会显示dtype（即使它是本机类型）？

在将楼层分割与NumPy一起使用时，为什么会显示dtype（即使它是本机类型）？

实际上，您在这里有多个不同的32位整数dtype。这可能是一个错误。

NumPy（偶然地？）创建了多个不同的带符号的32位整数类型，可能对应于C

int

和

long

。它们都显示为

numpy.int32

，但实际上是不同的对象。在C级别，我相信类型对象是

PyIntArrType_Type

and在此处

PyLongArrType_Type

生成的。

dtype对象具有

type

对应于该dtype标量的type对象的属性。正是这种

type

该属性NumPy的检查决定是否打印时

dtype

在一个阵列的信息

repr

：

_typelessdata = [int_, float_, complex_]if issubclass(intc, int):    _typelessdata.append(intc)if issubclass(longlong, int):    _typelessdata.append(longlong)...def array_repr(arr, max_line_width=None, precision=None, suppress_small=None):    ...    skipdtype = (arr.dtype.type in _typelessdata) and arr.size > 0    if skipdtype:        return "%s(%s)" % (class_name, lst)    else:        ...        return "%s(%s,%sdtype=%s)" % (class_name, lst, lf, typename)

在

numpy.arange(5)

和

numpy.arange(5) + 3

，

.dtype.type

是

numpy.int_

;
上

numpy.arange(5) // 3

或

numpy.arange(5) % 3

，

.dtype.type

是其他32位有符号整数类型。

至于为什么

+

并且

//

具有不同的输出dtype，它们使用不同的类型解析例程。这是一个

//

，而这是一个

+

。

//

的类型解析会寻找一个ufunc内部循环，该内环采用可以安全地将输入转换为输入

+

的类型，而的类型解析将NumPy类型提升应用于参数，并选择与结果类型匹配的循环。