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得到的类型。

NumPy 中的类型提升规则与 C++ 等语言类似，但有一些细微差别。当同时使用标量和数组时，数组的类型优先，并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，因此结果类型应为 64 位浮点数。通过检查常量“3”的值，我们发现它适合 8 位整数，可以无损地转换为 32 位浮点数。

参数:

arrays_and_dtypes数组和数据类型列表: 需要其结果类型的某个操作的运算数。

返回:

out数据类型: 结果类型。

另请参阅

dtype, promote_types, min_scalar_type, can_cast

说明

使用的具体算法如下。

首先检查所有数组和标量的最大类型是布尔型、整型（int/uint）还是浮点型（float/complex），以此确定类别。

如果只有标量，或者标量的最大类别高于数组的最大类别，则数据类型将与 promote_types 结合以生成返回值。

否则，将对每个标量调用 min_scalar_type，并将生成的数据类型全部与 promote_types 结合以生成返回值。

对于具有相同比特数的类型，int 值的集合不是 uint 值的子集，这一点未在 min_scalar_type 中体现，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')