为什么在使用NumPy时会显示dtype (即使它是本机的)？

Question

通常，当dtype与本机类型等效时，它是隐藏的：

>>> import numpy as np
>>> np.arange(5)
array([0, 1, 2, 3, 4])
>>> np.arange(5).dtype
dtype('int32')

>>> np.arange(5) + 3
array([3, 4, 5, 6, 7])

但不知何故，这并不适用于楼层划分或模组：

>>> np.arange(5) // 3
array([0, 0, 0, 1, 1], dtype=int32)
>>> np.arange(5) % 3
array([0, 1, 2, 0, 1], dtype=int32)

为什么会有区别？

Python3.5.4，NumPy 1.13.1，Windows64bit

Answer 1

这里实际上有多个不同的32位整数类型。这可能是个窃听器。

NumPy (偶然？)创建多个不同的带符号32位整数类型，可能对应于C int和long.它们都以numpy.int32的形式显示，但它们实际上是不同的对象。在C级别，我认为类型对象是PyIntArrType_Type和PyLongArrType_Type，生成了这里。

dtype对象具有一个与该dtype标量的类型对象相对应的type属性。type属性是NumPy检查在决定是否在数组的repr中打印dtype信息时使用的

_typelessdata = [int_, float_, complex_]
if issubclass(intc, int):
    _typelessdata.append(intc)


if issubclass(longlong, int):
    _typelessdata.append(longlong)

...

def array_repr(arr, max_line_width=None, precision=None, suppress_small=None):
    ...
    skipdtype = (arr.dtype.type in _typelessdata) and arr.size > 0

    if skipdtype:
        return "%s(%s)" % (class_name, lst)
    else:
        ...
        return "%s(%s,%sdtype=%s)" % (class_name, lst, lf, typename)

在numpy.arange(5)和numpy.arange(5) + 3上，.dtype.type是numpy.int_；在numpy.arange(5) // 3或numpy.arange(5) % 3上，.dtype.type是其他32位有符号整数类型.

至于为什么+和//有不同的输出dtype，它们使用不同的类型解析例程。下面是代表//，下面是代表+。//的类型解析寻找一个ufunc内循环，它接受输入可以安全转换到的类型，而+的类型解析对参数应用NumPy类型提升，并选择与结果类型匹配的循环。

Answer 2

这可以归结为dtype中的差异，从view中可以看出

In [186]: x = np.arange(10)
In [187]: y = x // 3
In [188]: x
Out[188]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
In [189]: y
Out[189]: array([0, 0, 0, 1, 1, 1, 2, 2, 2, 3], dtype=int32)
In [190]: x.view(y.dtype)
Out[190]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9], dtype=int32)
In [191]: y.view(x.dtype)
Out[191]: array([0, 0, 0, 1, 1, 1, 2, 2, 2, 3])

尽管dtype descr是相同的，但是有一些属性是不同的。但是哪一个呢？

In [192]: x.dtype.descr
Out[192]: [('', '<i4')]
In [193]: y.dtype.descr
Out[193]: [('', '<i4')]

In [204]: x.dtype.type
Out[204]: numpy.int32
In [205]: y.dtype.type
Out[205]: numpy.int32
In [207]: dtx.type is dty.type
Out[207]: False

In [243]: np.core.numeric._typelessdata
Out[243]: [numpy.int32, numpy.float64, numpy.complex128]
In [245]: x.dtype.type in np.core.numeric._typelessdata
Out[245]: True
In [246]: y.dtype.type in np.core.numeric._typelessdata
Out[246]: False

因此，从表面上看，y的dtype.type与x的是相同的，但它是一个不同的对象，具有不同的id

In [261]: id(np.int32)
Out[261]: 3045777728
In [262]: id(x.dtype.type)
Out[262]: 3045777728
In [263]: id(y.dtype.type)
Out[263]: 3045777952
In [282]: id(np.intc)
Out[282]: 3045777952

将这个额外的type添加到列表中，y就不再显示dtype：

In [267]: np.core.numeric._typelessdata.append(y.dtype.type)
In [269]: y
Out[269]: array([0, 0, 0, 1, 1, 1, 2, 2, 2, 3])

所以y.dtype.type是np.intc (和np.intp)，x.dtype.type是np.int32 (和np.int_)。

因此，要创建一个显示dtype的数组，请使用np.intc。

In [23]: np.arange(10,dtype=np.int_)
Out[23]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
In [24]: np.arange(10,dtype=np.intc)
Out[24]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9], dtype=int32)

要关闭这个选项，请将np.intc附加到np.core.numeric._typelessdata。