关于NumPy数据类型的两个技术疑问：等价性与元素类型差异

问题1：np.str_与np.dtype('U')的关系 #

你观察到以下现象：

import numpy as np
np.str_ == np.dtype('U')  # 返回 True
id(np.str_) == id(np.dtype('U'))  # 返回 False

两者是同一逻辑类型的不同获取方式，无功能差异：

• np.str_是NumPy预定义的Unicode字符串类型别名，直接指向该类型的dtype对象
• np.dtype('U')是通过类型描述符字符串'U'创建的该类型的dtype实例
• NumPy对dtype的==比较是基于类型的核心属性（如编码规则、存储格式），而非对象的内存身份（id）。只要类型逻辑一致，即使是不同实例也会返回True
• 实际使用中两者完全等价，都指代NumPy的Unicode字符串类型

问题2：'d'与'g' dtype数组的元素类型差异 #

你执行以下代码：

import numpy as np
a = np.array([1,2,3],dtype='d')
b = np.array([1,2,3],dtype='g')

得到数组dtype相同，但元素类型不同：

a.dtype  # dtype('float64')
b.dtype  # dtype('float64')

type(a[0])  # <class 'numpy.float64'>
type(b[0])  # <class 'numpy.longdouble'>

原因说明 #

1. dtype描述符的语义差异：

   • 'd'是np.float64（IEEE 64位双精度浮点）的明确别名，数组直接创建为float64类型，提取元素时返回对应标量类型
   • 'g'是通用扩展精度浮点的描述符，语义上指向np.longdouble，但受平台限制：
     • 在多数Windows平台或特定编译配置下，longdouble的存储格式与float64完全兼容（无额外精度），NumPy无法创建独立的longdouble数组，只能降级为float64数组存储
     • 但标量层面仍返回np.longdouble类型，这是因为'g'的原始语义是请求扩展精度，即使数组存储降级，标量类型仍保留对应的接口

2. 元素类型的具体差异：

   • np.float64：固定为IEEE 64位双精度，跨平台行为一致
   • np.longdouble：平台相关，在x86_64 Linux上是80位扩展精度（精度高于float64），但在你的测试平台上它与float64存储完全相同，仅类型标识不同，实际计算无差异

内容的提问来源于stack exchange，提问作者P.Jo