Numpy调用时是否检查数据类型与长度？检查的源码位置在哪？

问题 #

请问调用Numpy时，它是否会对数据类型与长度进行检查？负责该检查逻辑的源码位于何处？

复现代码 #

import numpy as np
class P(list):
    def __init__(self, achievement=[]):
        self.achievement = achievement
        self.extend(achievement)

    def __len__(self):
        print('___len___')
        print(self.achievement)
        return 2.0

    def __getitem__(self, idx): 
        return 1/0


j = P([1,2,3])

np.log(j)

触发的错误 #

TypeError: loop of ufunc does not support argument 0 of type P which has no callable log method

解答 #

1. Numpy的检查行为
   Numpy在调用np.log这类通用函数（ufunc）时，确实会执行数据类型兼容性检查，但对自定义类的长度检查逻辑依赖于对象是否实现了Numpy可识别的数组接口：

• 当处理非Numpy数组的对象时，Numpy首先会检查对象是否实现了__array__方法（标准数组接口），如果没有，会 fallback 到迭代处理逻辑。
• 迭代过程中会调用对象的__len__获取长度，但你代码中__len__返回浮点数的问题并不是触发报错的直接原因——真正的错误是：Numpy无法找到自定义类P对应的log方法，也无法将其转换为可处理的数值数组，因此抛出类型错误。

2. 检查逻辑的源码位置
   Numpy中处理ufunc参数类型检查的核心逻辑集中在以下几个核心源码文件（基于Numpy主分支）：

• numpy/core/src/ufunc/methods.c：包含ufunc对不同类型参数的分发逻辑，负责检查参数是否支持对应的ufunc操作。
• numpy/core/src/multiarray/array_method.c：处理对象的数组接口适配，包括验证对象是否可转换为Numpy数组。
• numpy/core/src/ufunc/ufunc_object.c：ufunc对象的核心实现，是参数类型验证、调度的入口。

补充建议 #

如果想让自定义类被Numpy正确处理，推荐实现__array__方法返回对应的Numpy数组，或者实现__array_ufunc__方法直接处理Numpy的ufunc调用，这样可以自定义类型适配逻辑，绕过默认的检查流程。

内容的提问来源于stack exchange，提问作者fafa