numpy.result_type

numpy.result_type(*arrays_and_dtypes)

Возвращает тип, который получается при применении правил повышения типа NumPy к аргументам.

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

Например, вычисление 3*a, где a – массив 32-битных чисел с плавающей точкой, интуитивно должно давать 32-битный результат с плавающей точкой. Если 3 – 32-битное целое число, правила NumPy указывают, что оно не может быть без потерь преобразовано в 32-битное число с плавающей точкой, поэтому типом результата должно быть 64-битное число с плавающей точкой. Исследуя 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_dtypesсписок массивов и типов данных

Операнды некоторой операции, тип результата которой необходим.

Возвращает

outdtype

Тип результата.

См. также

dtype, promote_types, min_scalar_type, can_cast

Примечания

Введено в версии 1.6.0.

Используемый алгоритм следующий.

Категории определяются путем проверки, является ли максимальный тип всех массивов и скаляров булевым, целым (int/uint) или с плавающей точкой (float/complex).

Если присутствуют только скаляры или максимальная категория скаляров выше максимальной категории 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 объединяются с помощью promote_types для получения возвращаемого значения.

Множество целочисленных значений не является подмножеством значений uint для типов с одинаковым количеством битов, 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')