如何在NumPy的0维数组运算中保持数据类型（dtype）？

先看问题中的示例代码：

import numpy as np
x=np.array(2, dtype=np.float32)
y=x+1
print(y.dtype)
# float64

这里的核心问题是：0维float32数组与Python原生int标量1运算时，NumPy的类型提升规则会将结果转为float64，且该现象仅在0维数组场景下出现。直接用np.add指定dtype的方式在复杂表达式中过于繁琐，以下是实用的解决方案：

可行解决方法 #

NumPy没有全局开关可以直接禁用这种类型提升特性（这是NumPy类型系统的核心机制之一），但可以通过以下方式避免类型自动转换：

1. 将参与运算的标量转为对应dtype的NumPy标量 #

把Python原生标量转换为和目标数组同dtype的NumPy标量，运算时就会保持原数组的dtype：

import numpy as np
x = np.array(2, dtype=np.float32)
y = (x + np.float32(1)) * np.float32(3) - np.float32(2)
print(y.dtype)  # 输出 float32

2. 提前定义对应dtype的常量复用 #

对于复杂运算，可以提前定义好对应dtype的常量，避免重复写转换代码，提升可读性：

import numpy as np
TARGET_DTYPE = np.float32

# 提前定义常量
ONE = TARGET_DTYPE(1)
THREE = TARGET_DTYPE(3)
TWO = TARGET_DTYPE(2)

x = np.array(2, dtype=TARGET_DTYPE)
y = (x + ONE) * THREE - TWO
print(y.dtype)  # 输出 float32

补充说明 #

这种类型提升的本质是：Python原生int标量在NumPy运算中会被视为int64类型，与float32数组运算时，NumPy会遵循类型提升规则，将结果转为精度更高的float64。而当标量也是同dtype的NumPy类型时，运算会保持原类型，不会触发跨精度的提升。

内容的提问来源于stack exchange，提问作者Sam-gege