numpy.result_type

numpy.result_type(*arrays_and_dtypes)

返回将 NumPy 类型提升规则应用于参数后产生的类型.

NumPy 中的类型提升与 C++ 等语言中的规则类似,但略有不同. 当同时使用标量和数组时,数组的类型优先,并且会考虑标量的实际值.

例如,计算 3a,其中 a 是 32 位浮点数数组,直观上应该产生 32 位浮点数输出. 如果 3 是一个 32 位整数,则 NumPy 规则表明它不能无损地转换为 32 位浮点数,因此 64 位浮点数应该是结果类型. 通过检查常量"3"的值,我们看到它适合 8 位整数,可以无损地转换为 32 位浮点数.

参数:

arrays_and_dtypes数组和 dtypes 的列表

一些操作的操作数,需要其结果类型.

返回:

outdtype

结果类型.

参见

dtype , promote_types , min_scalar_type , can_cast

注释

所使用的具体算法如下.

类别由首先检查所有数组和标量的最大种类是布尔值,整数(int/uint)还是浮点数(float/complex)来确定.

如果只有标量或标量的最大类别高于数组的最大类别,则数据类型与 promote_types 组合以生成返回值.

否则,在每个标量上调用 min_scalar_type ,并将生成的数据类型与 promote_types 组合以生成返回值.

对于具有相同位数的类型,int 值集不是 uint 值集的子集,这没有反映在 min_scalar_type 中,但在 result_type 中作为特殊情况处理.

示例

Try it in your browser!

>>> import numpy as np
>>> np.result_type(3, np.arange(7, dtype='i1'))
dtype('int8')

>>> np.result_type('i4', 'c8')
dtype('complex128')

>>> np.result_type(3.0, -2)
dtype('float64')

Go BackOpen In Tab