numpy.result_type

numpy.result_type(*arrays_and_dtypes)

返回应用 NumPy 类型提升规则于参数后得到的结果类型。

NumPy 中的类型提升与 C++ 等语言中的规则类似，但也有一些细微的差别。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，直观上应该得到一个 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。通过检查常数“3”的值，我们看到它可以放入一个 8 位整数中，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

某个操作的操作数，需要其结果类型。

返回：

outdtype

结果类型。

参见

dtype, promote_types, min_scalar_type, can_cast

备注

使用的具体算法如下。

类别是通过首先检查布尔值、整数 (int/uint) 或浮点数 (float/complex) 中哪种类型是所有数组和标量的最大类型来确定的。

如果只有标量，或者标量的最大类别高于数组的最大类别，则使用 promote_types 将数据类型组合起来以生成返回值。

否则，对每个标量调用 min_scalar_type，并将得到的数据类型与 promote_types 组合起来以生成返回值。

对于具有相同位数的类型，整数集不是无符号整数集的子集，这在 min_scalar_type 中没有体现，但在 result_type 中作为特例处理。

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')