为何np.vectorize(f)可避免整数溢出，原函数及指定类型时却不行？

先明确测试用的函数定义：

import numpy as np
C = 1.0
def f(x):
    return C * (x - 80)

三种场景的核心差异原因 #

1. 直接调用f(np.array([np.uint8(40)]))输出[216.]

输入是np.uint8类型的数组，numpy执行数组级别的无符号整数运算：

• np.uint8(40) - 80发生无符号溢出，按uint8的模256规则计算得216
• 再与float64类型的C=1.0相乘，结果被提升为float64类型的[216.]
• 数组级别的无符号溢出默认是静默的，不会触发警告

2. 不指定otypes调用np.vectorize(f)(np.array([np.uint8(40)]))输出[-40.]并触发警告

np.vectorize的执行分两步：

• 类型推断阶段：取输入数组的第一个元素（np.uint8(40)标量）调用f，此时执行标量无符号整数运算：np.uint8(40)-80触发溢出警告，计算得216，乘1.0后得到float64类型的216.0，因此推断输出类型为float64
• 实际计算阶段：vectorize自动将整个输入数组转换为float64类型，再逐元素调用f。此时x是float64的40.0，40.0-80=-40.0，乘1.0后得到-40.0，最终输出[-40.]

3. 指定otypes=[np.float64]调用np.vectorize(f, otypes=[np.float64])([np.uint8(40)])输出[216.]并触发警告

手动指定otypes后，np.vectorize跳过了类型推断步骤：

• 直接将输入的每个np.uint8(40)标量传递给f，每次调用都会执行标量无符号整数运算，触发溢出警告，计算得216，乘1.0后转为float64的216.0，存入预分配的float64输出数组，最终输出[216.]

内容的提问来源于stack exchange，提问作者zabop