我试图理解Numpy中dtypes的逻辑。
numpy.min_scalar_type(10)
-> uint8
和
a = numpy.array([10])
print(a.dtype)
-> int32 (on my machine)
我期待uint8而不是int32，因为（1.9）文档说：
numpy.array（object，dtype = None，...）
dtype：数据类型，可选。数组所需的数据类型。如果 没有给出，那么类型将被确定为最小类型 需要按顺序保存对象
和
numpy.min_scalar_type（a）中
对于标量a，返回最小尺寸的数据类型 最小的标量种类可以保持其价值。
...
返回：out：dtype。最小数据类型。
我误解了什么吗？
答案 0 :(得分：2)
python列表可以包含不同类型的对象，例如： X = ['apples', 'oranges',10]。如果你type([10])，你会看到容器的Python类型在技术上被称为列表，而不是数组。
相反，在numpy数组中，所有对象都是相同类型的dtype。
文档告诉您，在创建numpy数组时，dtype设置为将包含所有现有对象的类型。
看，看：
该类型将被确定为在序列中保存对象所需的最小类型
作家或许应该添加“而不是他们的值”
我们可以轻松地制作一个uint8：
ten = np.uint8(10)
如果将其放入Python列表中，它会保留其类型，因为Python列表会保留类型。如果将该列表发送到numpy.array()以生成numpy数组，则numpy数组将使用dtype np.uint8，因为它足以容纳所有（1）预先存在的Python列表对象。 / p>
In [49]: np.array([ten]).dtype
Out[49]: dtype('uint8')
但是如果我们使用文字10，python会为它创建一个int对象而不是np.uint8，因为np.uint8是numpy所特有的所有10调用python来创建该数字。
如果我们创建一个包含文字10的Python列表，我们会复制您的结果（使用机器架构整数）：
In [50]: np.array([10]).dtype
Out[50]: dtype('int64')
如果我们将这两种类型放在一个python列表中，并将该列表发送到np.array以创建一个numpy数组，那么dtype必须足够大以容纳两个对象，在本例中为int64。
In [51]: np.array([ten, 10]).dtype
Out[51]: dtype('int64')