问浮点算法中的NumPy向高精度转换

EN

造成这种情况的原因是数值计算中的一种叫做灾难性抵消的原理。

考虑两个浮点数字之间的稍微小的例子。3.0000900 - 3.000，如果将其降到4位小数点，或者在您的情况下转换为4字节，则结果值为0。然而，这些值实际上并不相同！我刚才演示的现象叫做灾难性取消。由于截断甚至舍入这一问题，我们实质上正在失去信息。

为了避免这种情况，这些操作的结果总是将类型转换为更精确的类型，因为丢失的信息是最小的。

这被称为类型强制，至少在NumPy中，它总是以更高的精度强迫类型，因为这样不会意外地丢失精度，也不会导致溢出。

例如(关于“溢出”)，强制float64它(排序-of)工作：

>>> np.float64(1e40) - np.float32(1)
1e40

但是如果它强迫float32，你就会得到：

>>> np.float64(1e40).astype(np.float32) - np.float32(1)
inf

这是因为最大的float32是3.4028235e+38。

>>> np.finfo(np.float32)
finfo(resolution=1e-06, min=-3.4028235e+38, max=3.4028235e+38, dtype=float32)

答案主要来自数学与数字类型。

types64的类型包含types32的集合，就像实数的类型(浮点数)包含整数的类型一样。

无论何时执行计算，如果将结果集映射到更大的数据容器中(整数类型为64而不是32)，则可以保证传递令人满意的结果，但不能保证在可能较短的容器中映射一组值时不会截断结果，这意味着生成无效的结果。

浮点和int也是这样的。在大多数语言中，将浮点数与int相乘会产生浮点数，因为浮点数(实数)在数学上可以包含int，相反则相反(整数类型不包含实数)。