在使用 numpy.array 时我应该使用 numpy.float64 而不是 Python float答案

【问题标题】：Should I use numpy.float64 instead of Python float when also using numpy.array在使用 numpy.array 时我应该使用 numpy.float64 而不是 Python float
【发布时间】：2023-03-09 07:21:01
【问题描述】：

到目前为止我还没有遇到任何问题，所以这个问题纯粹是出于好奇。

在 Python 中，我通常像这样定义浮点数和浮点数数组：

import numpy as np

s = 1.0
v = np.array([1.0, 2.0, 3.0])

在上面的例子中s 是float，但v 的元素是numpy.float64 类型。

为了更加一致，例如，我可以这样做：

import numpy as np

s = np.float64(1.0)
v = np.array([1.0, 2.0, 3.0])

从准确性/精确度的角度来看，是否存在建议使用“一致”方法的情况？在“不一致”的方法中，我可以预期什么样的错误（如果有）？

【问题讨论】：

如果我想要一个特殊 dtype 的标量，我会使用 s=np.array(1.0, dtype=...)。

标签： python numpy floating-point precision

【解决方案1】：

Python（至少 CPython）在内部使用双精度数，因为它是 float 类型 - 双精度数是 64 位浮点数（可能并非总是如此，但我还没有找到双精度数不是 64 位浮点数的平台 + 编译器）。

因此，无论您将它们保留为float 还是np.float64，都不应期待任何类型的问题。

但是，如果您使用 Pythons float 和 NumPys np.float32，则可能会出现差异，因为 float 比 np.float32（32 位）具有更高的精度（64 位）。

【讨论】：

C 双精度有 8 个字节的假设仍然硬连线到 CPython 源代码中的各个位置，所以如果 CPython 遇到双精度不是 64 位的平台，它可能会坏得很厉害。（是的，我假设字节有 8 位，但如果 CPython 遇到过一个字节没有 8 位的平台，它会更糟糕。）所以 IOW，你假设双精度数是 64 位浮点数是一个相当安全的。 :-)
这是一个这样的例子，在 marshal 模块中假设 8 字节双精度：github.com/python/cpython/blob/v3.6.2/Python/…
@MarkDickinson 很高兴知道。我只是做了一个肤浅的搜索，当我发现一个作者想要"Ensure C++ doubles are 64 bits"的问题时，我认为可能存在差异。