numpy.result_type

numpy.result_type(*arrays_and_dtypes)

Возвращает тип, полученный в результате применения правил повышения типа NumPy к аргументам.

Повышение типа в NumPy работает аналогично правилам в языках, таких как C++, с некоторыми небольшими отличиями. Когда используются как скаляры, так и массивы, тип массива имеет приоритет, и учитывается фактическое значение скаляра.

Например, вычисление 3*a, где a — массив 32-битных чисел с плавающей точкой, интуитивно должно привести к результату с плавающей точкой 32-битного типа. Если 3 — 32-битное целое число, правила NumPy указывают, что он не может быть без потерь преобразован в 32-битное число с плавающей точкой, поэтому типом результата должно быть 64-битное число с плавающей точкой. Проверив значение константы «3», мы видим, что оно помещается в 8-битное целое число, которое может быть без потерь преобразовано в 32-битное число с плавающей точкой.

Параметры

arrays_and_dtypeslist of arrays and dtypes

Операнды некоторой операции, тип результата которой требуется.

Возвращает

outdtype

Тип результата.

См. также

dtype, promote_types, min_scalar_type, can_cast

Примечания

Введено в версии 1.6.0.

Конкретный алгоритм использует следующее.

Категории определяются сначала проверкой того, является ли максимальный вид всех массивов и скаляров логическим, целочисленным (int/uint) или с плавающей точкой (float/complex).

Если существуют только скаляры или максимальная категория скаляров выше, чем максимальная категория массивов, типы данных комбинируются с помощью promote_types для получения возвращаемого значения.

В противном случае min_scalar_type вызывается для каждого массива, а полученные типы данных комбинируются с помощью promote_types для получения возвращаемого значения.

Множество целых значений не является подмножеством множества значений uint для типов с одинаковым количеством бит, что не отражается в min_scalar_type, но обрабатывается как специальный случай в result_type.

Примеры

>>> 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')