关于numpy中float object与float dtype算术运算行为差异的疑问

嘿，我来帮你搞明白这个看似奇怪的问题～

首先，我们得先搞清楚numpy处理object dtype数组的逻辑：当你创建dtype=object的numpy数组时，数组里的元素都是普通的Python对象（这里就是原生的float对象），而不是numpy自己的numpy.float64类型。numpy对这类数组执行运算时，会尝试直接调用每个元素自身的方法或者支持的运算符，而不是用numpy底层的C实现来处理。

那为什么np.square(b)能正常运行，np.sqrt(b)却报错呢？我们拆开看：

1. 关于np.square #

numpy的square函数对object数组的处理逻辑是：对每个元素执行平方运算，也就是用Python的**2运算符。而Python原生的float对象是支持**运算符的，比如3.14 ** 2完全没问题。所以np.square(b)本质上等价于：

np.array([x ** 2 for x in b])

自然不会报错。

2. 关于np.sqrt #

而np.sqrt函数对object数组的处理逻辑不一样：它会尝试调用每个元素的.sqrt()方法。但问题来了——Python原生的float对象根本没有sqrt()这个方法！你可以自己测试：

x = 3.14
x.sqrt()  # 直接抛出AttributeError: 'float' object has no attribute 'sqrt'

这就是为什么np.sqrt(b)会报错的原因：numpy在逐个调用数组元素的.sqrt()方法，而原生float没有这个方法。

对比一下普通的numpy float数组（比如a）：a里的元素是numpy.float64类型，这个类型是numpy自己实现的，自带.sqrt()方法，所以np.sqrt(a)能正常运行。

解决办法 #

如果你需要对object dtype的数组计算平方根，可以用这几种方式：

方法1：转回普通float数组（推荐，如果元素都是数值的话） #

既然你的数组里都是float，完全可以把它转回numpy的float dtype：

b_float = b.astype(np.float64)
np.sqrt(b_float)  # 正常运行

方法2：用列表推导手动处理每个元素 #

手动调用numpy的sqrt函数处理每个元素，再转回数组：

np.array([np.sqrt(x) for x in b])

方法3：用np.vectorize封装函数 #

把numpy的sqrt函数向量化，再作用于object数组：

sqrt_vec = np.vectorize(np.sqrt)
result = sqrt_vec(b)

内容的提问来源于stack exchange，提问作者jesse