numpy.result_type#

numpy.result_type(*arrays_and_dtypes)#

返回通过将 NumPy 类型提升规则应用于参数而得到的结果类型.

在 NumPy 中的类型提升与 C++ 等语言的规则类似,但有一些细微的差别.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 3*a,其中 a 是一个 32 位浮点数数组,直观上应该产生一个 32 位浮点数输出.如果 3 是一个 32 位整数,NumPy 规则表明它不能无损地转换为 32 位浮点数,因此结果类型应该是 64 位浮点数.通过检查常量 ‘3’ 的值,我们看到它适合一个 8 位整数,可以无损地转换为 32 位浮点数.

参数:
arrays_and_dtypes数组和数据类型的列表

某些操作的操作数,其结果类型是必需的.

返回:
outdtype

结果类型.

参见

dtype, promote_types, min_scalar_type, can_cast

备注

在 1.6.0 版本加入.

所使用的特定算法如下.

类别的确定首先检查所有数组和标量的最大类型是布尔、整数（int/uint）还是浮点数（float/complex）.

如果只有标量或标量的最大类别高于数组的最大类别,则数据类型通过 promote_types 组合以产生返回值.

否则,将对每个标量调用 min_scalar_type ,并将结果数据类型全部与 promote_types 组合以生成返回值.

对于具有相同位数的类型,int值的集合不是uint值的子集,这一点在 min_scalar_type 中没有反映,但在 result_type 中作为特殊情况处理.

示例

>>> 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')
On this page