不同的切片对相同的元素给出不同的不等式

Question

import numpy as np

a = np.array([.4], dtype='float32')
b = np.array([.4, .6])

print(a > b)
print(a > b[0], a > b[1])
print(a[0] > b[0], a[0] > b[1])

[ True False]
[False] [False]
True False

有什么关系？是的，b.dtype == 'float64'，但它的切片 b[0] 和 b[1] 也是如此，a 仍然是 'float32'。

注意：我问的是为什么会发生这种情况，而不是如何规避它，我知道（例如，将两者都转换为 'float64'）。

Answer 1

正如我所指出的in another answer，numpy 中的类型转换非常复杂，这是您所看到行为的根本原因。该答案中链接的文档清楚地表明，标量（/0d 数组）和 1d 数组在类型转换方面不同，因为后者不被视为逐个值。

您已经知道问题的前半部分：问题是您的两种情况的类型转换发生方式不同：

>>> (a + b).dtype
dtype('float64')

>>> (a + b[0]).dtype
dtype('float32')

>>> (a[0] + b[0]).dtype
dtype('float64')

如果我们考虑类型转换表，我相信我们可以理解您的示例中发生了什么：

>>> from numpy.testing import print_coercion_tables
can cast
[...]

In these tables, ValueError is '!', OverflowError is '@', TypeError is '#'

scalar + scalar
+ ? b h i l q p B H I L Q P e f d g F D G S U V O M m 
? ? b h i l q l B H I L Q L e f d g F D G # # # O ! m 
b b b h i l q l h i l d d d e f d g F D G # # # O ! m 
h h h h i l q l h i l d d d f f d g F D G # # # O ! m 
i i i i i l q l i i l d d d d d d g D D G # # # O ! m 
l l l l l l q l l l l d d d d d d g D D G # # # O ! m 
q q q q q q q q q q q d d d d d d g D D G # # # O ! m 
p l l l l l q l l l l d d d d d d g D D G # # # O ! m 
B B h h i l q l B H I L Q L e f d g F D G # # # O ! m 
H H i i i l q l H H I L Q L f f d g F D G # # # O ! m 
I I l l l l q l I I I L Q L d d d g D D G # # # O ! m 
L L d d d d d d L L L L Q L d d d g D D G # # # O ! m 
Q Q d d d d d d Q Q Q Q Q Q d d d g D D G # # # O ! m 
P L d d d d d d L L L L Q L d d d g D D G # # # O ! m 
e e e f d d d d e f d d d d e f d g F D G # # # O ! # 
f f f f d d d d f f d d d d f f d g F D G # # # O ! # 
d d d d d d d d d d d d d d d d d g D D G # # # O ! # 
g g g g g g g g g g g g g g g g g g G G G # # # O ! # 
F F F F D D D D F F D D D D F F D G F D G # # # O ! # 
D D D D D D D D D D D D D D D D D G D D G # # # O ! # 
G G G G G G G G G G G G G G G G G G G G G # # # O ! # 
S # # # # # # # # # # # # # # # # # # # # # # # O ! # 
U # # # # # # # # # # # # # # # # # # # # # # # O ! # 
V # # # # # # # # # # # # # # # # # # # # # # # O ! # 
O O O O O O O O O O O O O O O O O O O O O O O O O ! # 
M ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! 
m m m m m m m m m m m m m m # # # # # # # # # # # ! m 

scalar + neg scalar
[...]

array + scalar
+ ? b h i l q p B H I L Q P e f d g F D G S U V O M m 
? ? b h i l q l B H I L Q L e f d g F D G # # # O ! m 
b b b b b b b b b b b b b b e f d g F D G # # # O ! m 
h h h h h h h h h h h h h h f f d g F D G # # # O ! m 
i i i i i i i i i i i i i i d d d g D D G # # # O ! m 
l l l l l l l l l l l l l l d d d g D D G # # # O ! m 
q q q q q q q q q q q q q q d d d g D D G # # # O ! m 
p l l l l l l l l l l l l l d d d g D D G # # # O ! m 
B B B B B B B B B B B B B B e f d g F D G # # # O ! m 
H H H H H H H H H H H H H H f f d g F D G # # # O ! m 
I I I I I I I I I I I I I I d d d g D D G # # # O ! m 
L L L L L L L L L L L L L L d d d g D D G # # # O ! m 
Q Q Q Q Q Q Q Q Q Q Q Q Q Q d d d g D D G # # # O ! m 
P L L L L L L L L L L L L L d d d g D D G # # # O ! m 
e e e e e e e e e e e e e e e e e e F F F # # # O ! # 
f f f f f f f f f f f f f f f f f f F F F # # # O ! # 
d d d d d d d d d d d d d d d d d d D D D # # # O ! # 
g g g g g g g g g g g g g g g g g g G G G # # # O ! # 
F F F F F F F F F F F F F F F F F F F F F # # # O ! # 
D D D D D D D D D D D D D D D D D D D D D # # # O ! # 
G G G G G G G G G G G G G G G G G G G G G # # # O ! # 
S # # # # # # # # # # # # # # # # # # # # # # # O ! # 
U # # # # # # # # # # # # # # # # # # # # # # # O ! # 
V # # # # # # # # # # # # # # # # # # # # # # # O ! # 
O O O O O O O O O O O O O O O O O O O O O O O O O ! # 
M ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! 
m m m m m m m m m m m m m m # # # # # # # # # # # ! m

[...]

以上是基于价值的促销的当前促销表的一部分。它表示在配对给定类型的两个 numpy 对象时，不同类型对结果类型的贡献程度（具体类型请参见第一列和第一行）。类型要根据single-character dtype specifications（“单字符字符串”下方）来理解，特别是np.dtype('f')对应np.float32（f代表C风格的float）和np.dtype('d')（d代表C风格double) 到np.float64（另见np.typename('f') 和'd' 相同）。

我在上面的表格中用粗体标出了两个项目：

标量 f + 标量 d --> d
数组 f + 标量 d --> f

现在让我们看看您的案例。前提是你有一个'f'数组a和一个'd'数组b。 a 只有一个元素这一事实并不重要：它是一个长度为 1 的一维数组，而不是一个 0d 数组。

1. 当您执行a > b 时，您正在比较两个数组，这在上表中没有表示。我不确定这里的行为是什么；我的猜测是a 被广播到b 的形状，然后它的类型被转换为'd'。我认为这是因为np.can_cast(a, np.float64) 是True 而np.can_cast(b, np.float32) 是False。但这只是一个猜测，numpy 中的很多这种机制对我来说并不直观。

2. 当您执行a > b[0] 时，您将'f' 数组与'd' 标量进行比较，因此根据上述内容，您将得到一个'f' 数组。这就是(a + b[0]).dtype 告诉我们的。 （当您使用a > b[0] 时，您看不到转换步骤，因为结果始终是布尔值。）

3. 当您执行a[0] > b[0] 时，您会将'f' 标量与'd' 标量进行比较，因此根据上述内容，您将得到'd' 标量。这是(a[0] + b[0]).dtype 告诉我们的。

所以我相信这一切都与 numpy 中类型转换的怪癖一致。虽然在双精度和单精度中 0.4 的值看起来像是一个不幸的极端情况，但此功能更深入，并且问题作为一个大红色警告，在混合不同的 dtype 时应该非常小心。

最安全的做法是自己转换类型，以控制代码中发生的情况。尤其是在讨论重新考虑类型提升的某些方面。