numpy.result_type

麻木的。结果类型（* arrays_and_dtypes）

返回将 NumPy 类型提升规则应用于参数所产生的类型。

NumPy 中的类型提升与 C++ 等语言中的规则类似，但有一些细微的差别。当同时使用标量和数组时，数组的类型优先，并考虑标量的实际值。

例如，计算 3*a，其中 a 是 32 位浮点数组，直观上应该会产生 32 位浮点输出。如果 3 是 32 位整数，则 NumPy 规则表明它无法无损转换为 32 位浮点数，因此结果类型应为 64 位浮点数。通过检查常量“3”的值，我们发现它适合一个 8 位整数，可以无损地转换为 32 位浮点数。

参数：

arrays_and_dtypes数组和数据类型列表

需要其结果类型的某些操作的操作数。

返回：

输出数据类型

结果类型。

也可以看看

dtype, promote_types, min_scalar_type,can_cast

笔记

1.6.0 版本中的新增功能。

具体使用的算法如下。

通过首先检查所有数组和标量的最大类型是布尔型、整数 (int/uint) 或浮点型 (float/complex) 中的哪一个来确定类别。

如果只有标量或标量的最大类别高于数组的最大类别，则将数据类型组合起来以promote_types 产生返回值。

否则，min_scalar_type对每个标量调用，并且结果数据类型全部组合以promote_types 产生返回值。

int 值集不是具有相同位数的类型的 uint 值的子集，这在 中没有反映 min_scalar_type，但在 中作为特殊情况处理result_type。

例子

>>> 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')