python的数值类型会影响数字的低级精度吗？

Question

例如，我知道 float通常由c double表示，并且根据文档，整数具有无限的精度。Numpy当然会提供更多的特定类型。例如，numpy中的float的类型是否会影响内存中数字的精度？还是以相同精度存储的各种类型的数字，该类型只是在较高级别上以不同的方式实现数字？

Answer 1

上面的注释是完全正确的，还提到了某种形式的检查。

，但让我们做一些很小的演示，让我们读取消耗的记忆：

import numpy as np
a = np.array([1,2,3], dtype=float)
print(a.nbytes)
b = np.array([1,2,3], dtype=np.float32)
print(b.nbytes)
c = np.array([1,2,3], dtype=np.longfloat)  # this one: OS/Build-dependent
print(c.nbytes)

out：

24
12
48

您也可以读取每个项目的大小：

c.itemsize
# 16

通常，如果您知道某些C/C 类型，这对于大多数类型都是直观的，除了一个例外：Bool将为每个条目提供完整的字节（尽管有点！），这也记录在链接中。下面！

最重要的文档输入可能是您可以查询的属性的类型浏览和ndarray的数据类型。

Answer 2

注意，您可以通过修改基础内存来自己看到这一点，因为numpy数组实现了缓冲协议，我们可以创建memoryview：

>>> arr32 = np.array([1,2,3], dtype=np.int32)
>>> arr64 = np.array([1,2,3], dtype=np.int64)
>>> arr32
array([1, 2, 3], dtype=int32)
>>> arr64
array([1, 2, 3])
>>> buff32 = memoryview(arr32)
>>> buff64 = memoryview(arr64)

现在，让我们将内存投入到未签名的char类型

>>> casted32 = buff32.cast('B')
>>> casted64 = buff64.cast('B')
>>> list(casted32)
[1, 0, 0, 0, 2, 0, 0, 0, 3, 0, 0, 0]
>>> list(casted64)
[1, 0, 0, 0, 0, 0, 0, 0, 2, 0, 0, 0, 0, 0, 0, 0, 3, 0, 0, 0, 0, 0, 0, 0]

看起来它实际上是内存的大小。看看我能做什么！：

>>> casted32[1] = 1
>>> casted64[2] = 1
>>> arr32
array([257,   2,   3], dtype=int32)
>>> arr64
array([65537,     2,     3])