我随机选择了这些数字，但这些结果似乎是一致的 - 浮点指数比整数指数快25％-50％。这些处理方式有何不同？
In [209]: %timeit -n 100000 -r 100 np.power(3.71242, 7)
100000 loops, best of 100: 3.45 µs per loop
In [210]: %timeit -n 100000 -r 100 np.power(3.71242, 7.0)
100000 loops, best of 100: 1.98 µs per loop
答案 0 :(得分：14)
np.power是universal function（ufunc）。这些函数可用于具有各种不同数据类型的标量和数组，但必须首先检查输入值的类型，以便它们可以确定使用哪个内部循环来生成合适的输出值。
如果输入类型没有映射到任何ufunc的预定义循环，则ufunc将尝试cast the input values to suitable types（除非另有说明）。这种输入值的检查和转换具有与之相关的性能成本，解释了问题中观察到的时间。
ufunc的types属性显示输入数据类型将如何映射到输出数据类型。以下是np.power的映射列表：
>>> np.power.types # 'input input -> output'
['bb->b', 'BB->B', 'hh->h', 'HH->H', 'ii->i', 'II->I', 'll->l', 'LL->L', 'qq->q',
'QQ->Q', 'ee->e', 'ff->f', 'dd->d', 'gg->g', 'FF->F', 'DD->D', 'GG->G', 'OO->O']
浮点数属于字符代码'g'，Python整数属于'l'。可以找到这些字符代码的完整列表here。
请注意，对于此ufunc，两个输入值的数据类型必须相同。例如，没有float和int输入数据类型混合的映射。
但是我们仍然可以给np.power个不同的数据类型，并让它将值转换为适当的数据类型。对于float和int，会返回float64个数字：
>>> np.power(3.71242, 7).dtype
dtype('float64')
在上方，您可以看到映射到float64字符代码g的唯一输入是另外两个g值：'gg->g'。
所以，在幕后，np.power(3.71242, 7)采用了Python float和Python int，并且必须决定哪些可以安全地重铸以及哪种类型。 int值已安全地提升为浮点类型g。然后，ufunc知道要运行哪个循环并返回另一个g值。
因此，不混合输入数据类型会为np.power带来更好的性能。