Numpy算术函数类型提示：Union[NDArray[np.float64], Sequence[float]]是否最简洁？

一、满足需求的正确类型提示写法 #

要同时实现NumPy运算支持、允许列表/序列输入、指定底层数据类型T，可以用泛型+联合类型的组合写法，具体如下：

1. 先导入需要的类型工具：

from typing import Sequence, TypeVar
import numpy as np
from numpy.typing import NDArray

2. 定义泛型变量T，绑定到NumPy的通用数值类型（确保T是合法的NumPy数据类型，比如np.float64、np.int32）：

T = TypeVar('T', bound=np.generic)

3. 给函数参数加上类型提示：

def numpy_based_func(arr: Union[NDArray[T], Sequence[T]]) -> NDArray[T]:
    # 先把输入统一转成NumPy数组，处理列表/序列的情况
    np_arr = np.asarray(arr)
    # 这里写你的NumPy运算逻辑，比如
    result = np_arr * 2
    return result

如果你的项目用的是Python 3.10及以上版本，还可以用更简洁的|替代Union，写法更清爽：

def numpy_based_func(arr: NDArray[T] | Sequence[T]) -> NDArray[T]:
    np_arr = np.asarray(arr)
    result = np_arr * 2
    return result

这种写法既明确了输入的可选类型，又通过泛型T统一了底层数据类型，完全匹配你提出的三个需求。

二、关于Union[NDArray[np.float64], Sequence[float]]的简洁性 #

针对固定底层类型（比如np.float64）的场景，这个写法是可行且简洁的，但还有两个优化方向：

• Python 3.10+版本可以用NDArray[np.float64] | Sequence[float]替代，语法更直观；
• 如果需要支持多种底层数据类型（比如同时兼容np.int32、np.float32），泛型写法的复用性更强，不用重复写多个联合类型。

另外提一下，NumPy官方的numpy.typing.ArrayLike类型已经包含了所有能转成NumPy数组的输入类型（列表、元组、NDArray等），但它是个宽泛类型，没法指定具体的底层T。如果不需要严格约束类型，用ArrayLike最省事，但要明确指定T的话，还是联合类型+泛型的写法更准确。

内容的提问来源于stack exchange，提问作者Alexander Soare