为何对np.array整体与单独元素执行除法时，dtype表现存在差异？

我尝试将uint8类型的np.array除以255.0进行归一化处理。当对整个数组执行除法操作时，元素的数据类型（dtype）会变为float64；但仅对数组中的单个元素执行除法操作时，元素的dtype仍保持uint8。为何这两种除法操作的表现存在差异？

示例代码：

import numpy as np

Array1 = np.array([179], dtype="uint8")
Array2 = np.array([179], dtype="uint8")

Array1[0] = Array1[0] / 255.0
Array2 = Array2 / 255.0

print(Array1[0].dtype)
print(Array2[0].dtype)

执行结果：

uint8
float64

差异原因解析 #

• 数组整体除法的类型提升机制
  NumPy在执行数组级运算时，会遵循类型提升规则：当不同类型的数值运算时，会自动转换为精度更高、范围更广的类型，避免数据丢失。这里uint8类型的数组和float64类型的255.0运算，整个数组会被提升为float64类型，而且Array2 = Array2 / 255.0是创建了一个全新的数组赋值给Array2，所以新数组的dtype就是float64。

• 单个元素赋值的类型强制转换
  Array1[0] = Array1[0] / 255.0这行代码中，Array1[0] / 255.0的计算结果确实是float64类型，但因为Array1本身的dtype是uint8，赋值时NumPy会自动把计算结果强制转换回原数组的类型——uint8只能存储0-255的整数，所以小数部分会被直接截断（比如179/255≈0.701，转成uint8后就是0），最终元素的dtype还是保持原数组的uint8。

如果打印两个数组的元素值，会更直观：

print(Array1[0])  # 输出 0
print(Array2[0])  # 输出 0.7019607843137255

内容的提问来源于stack exchange，提问作者user20448774