假设我输入：
a = uint8(200)
a*2
那么结果是400，重铸为uint16类型。
但是：
a = array([200],dtype=uint8)
a*2
结果是
array([144], dtype=uint8)
乘法以 256 为模，以确保结果保持在一个字节中。
我对“类型”和“dtypes”以及其中一个优先于另一个使用感到困惑。如您所见，类型可能会对输出产生重大影响。
例如，我可以创建一个 dtype uint8 的单个数字，以便对该数字执行模 256 的操作吗？或者，我可以创建一个类型（不是 dtype）uint8 的数组，以便对其进行的操作将产生 0-255 范围之外的值吗？
【问题讨论】：
标签： python numpy types unsigned-integer
简单而高级的答案是，NumPy 在 Python 的类型系统之上添加了第二个类型系统。
当您请求 NumPy 对象的 type 时，您会得到 容器 的类型——类似于 numpy.ndarray。但是当你请求dtype 时，你会得到elements 的（numpy-managed）类型。
>>> from numpy import *
>>> arr = array([1.0, 4.0, 3.14])
>>> type(arr)
<type 'numpy.ndarray'>
>>> arr.dtype
dtype('float64')
有时，当使用默认的 float 类型时，元素数据类型 (dtype) 等效于 Python 类型。但这是等价的，不完全相同：
>>> arr.dtype == float
True
>>> arr.dtype is float
False
在其他情况下，没有等效的 Python 类型。例如，当您指定 uint8 时。此类数据值/类型可以由 Python 管理，但与 C、Rust 和其他“系统语言”不同，管理直接与机器数据类型对齐的值（如 uint8 与“无符号字节”计算紧密对齐）不是Python 的常见用例。
因此，重要的是 NumPy 提供了像数组和矩阵这样的容器，它们在自己的类型系统下运行。它提供了一堆非常有用、优化良好的例程来操作这些容器（及其元素）。如果你小心的话，你可以混合搭配 NumPy 和普通的 Python 计算。
没有 Python 类型 uint8。有一个名为 uint8 的构造函数，调用时返回一个 NumPy 类型：
>>> u = uint8(44)
>>> u
44
>>> u.dtype
dtype('uint8')
>>> type(u)
<type 'numpy.uint8'>
那么“我可以创建一个类型为（不是 dtype）uint8 的数组吗...？”不，你不能。没有这样的动物。
你可以
在不使用 NumPy arrays（又名 NumPy 标量值）的情况下进行受限于 uint8 规则的计算。例如：
>>> uint8(44 + 1000)
20
>>> uint8(44) + uint8(1000)
20
但是如果你想计算 mod 256 的值，使用 Python 的 mod 运算符可能更容易：
>> (44 + 1000) % 256
20
将大于 255 的数据值驱动为 uint8 数据类型，然后进行算术运算是获得 mod-256 算术的一种相当后门的方法。如果您不小心，您将导致 Python 将您的值“升级”为完整整数（杀死您的 mod-256 方案），或触发溢出异常（因为在 C 和机器语言中运行良好的技巧通常被标记为高级语言）。
【讨论】：
NumPy 数组的type 是numpy.ndarray；这只是 Python 对象的类型（例如，类似于 type("hello") 是 str 的方式）。
dtype 只定义了内存中的字节如何被标量（即单个数字）或数组解释以及处理字节的方式（例如int/float）。因此，您无需更改数组或标量的type，只需更改其dtype。
如您所见，如果您将两个标量相乘，则生成的数据类型是最小的“安全”类型，两个值都可以转换为该类型。但是，将数组和标量相乘只会返回相同数据类型的数组。函数np.inspect_types 的documentation 清楚地表明特定标量或数组对象的dtype 何时更改：
NumPy 中的类型提升与 C++ 等语言中的规则类似，但略有不同。当同时使用标量和数组时，数组的类型优先，并考虑标量的实际值。
文档继续：
如果只有标量或标量的最大类别高于数组的最大类别，则将数据类型与
promote_types组合以产生返回值。
所以对于np.uint8(200) * 2，两个标量，结果数据类型将是np.promote_types返回的类型：
>>> np.promote_types(np.uint8, int)
dtype('int32')
对于np.array([200], dtype=np.uint8) * 2，数组的数据类型优先于标量int，并返回np.uint8 数据类型。
要解决关于在操作期间保留标量 dtype 的最后一个问题，您必须限制您使用的任何其他标量的数据类型，以避免 NumPy 的自动 dtype 提升：
>>> np.array([200], dtype=np.uint8) * np.uint8(2)
144
当然，另一种方法是简单地将单个值包装在 NumPy 数组中（然后 NumPy 不会将其转换为具有不同 dtype 标量的操作）。
要在操作期间提升数组的类型，您可以先将任何标量包装在数组中：
>>> np.array([200], dtype=np.uint8) * np.array([2])
array([400])
【讨论】：
dtype 只定义了内存中的字节将如何被标量解释" → 它还定义了它们被解释的方式（例如int32 vs float32）。
numpy 数组包含相同类型的元素，因此np.array([200],dtype=uint8) 是具有一个值的数组，类型为uint8。当您执行np.uint8(200) 时，您没有数组，只有单个值。这有很大的不同。
当对数组执行某些操作时，类型保持不变，与单个值是否溢出无关。数组中的自动向上转换是禁止的，因为整个数组的大小必须改变。仅当用户明确需要时才这样做。对单个值执行操作时，可以轻松向上转换，不会影响其他值。
【讨论】：