numpy.result_type

numpy.result_type(*arrays_and_dtypes)

返回应用 NumPy 类型提升规则到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异。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 规则表明它无法无损转换为 32 位浮点数，因此结果类型应该为 64 位浮点数。通过检查常量“3”的值，我们发现它适合于 8 位整数，可以无损转换为 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，需要其结果类型。

返回值：

outdtype

结果类型。

参见

dtype，promote_types，min_scalar_type，can_cast

注释

版本 1.6.0 中的新功能。

使用的具体算法如下。

类别是通过首先检查所有数组和标量的最大种类是布尔型、整型（int/uint）还是浮点型（float/complex）来确定的。

如果只有标量或标量的最大类别高于数组的最大类别，则使用 promote_types 组合数据类型以生成返回值。

否则，对每个标量调用 min_scalar_type，并将得到的数据类型全部使用 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，这在 min_scalar_type 中没有反映出来，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')