cython中的np.int，np.int_，int和np.int_t之间的区别？

Question

intcython中的这么多数据类型让我有些挣扎。

np.int, np.int_, np.int_t, int

我猜int在纯python中等于np.int_，那么它np.int来自哪里？我无法从numpy中找到文档？另外，为什么np.int_给定我们已经存在的存在int？

在cython中，我猜想int当用作cdef int或时会变成C类型ndarray[int]，并且当int()它用作python
caster时会变为C类型？

是np.int_相当于long用C？所以cdef long是相同cdef np.int_？

在什么情况下我应该np.int_t代替使用np.int？例如cdef np.int_t，ndarray[np.int_t]…

有人可以简要解释一下这些类型的错误使用将如何影响已编译cython代码的性能吗？

Answer 1

这有点复杂，因为名称根据上下文具有不同的含义。

1. 在Python中

在int通常仅仅是一个Python类型，它是任意精度的，这意味着你可以存储在它里面的任何可能的整数（只要你有足够的内存）。

    >>> int(10**50)
100000000000000000000000000000000000000000000000000

1. 但是，当将其dtype用于NumPy数组时，它将被解释为np.int_ 1。这 不是 任意精度，它将具有与C相同的大小long：

   >>> np.array(10**50, dtype=int)
   

   OverflowError: Python int too large to convert to C long

这也意味着以下两个是等效的：

    np.array([1,2,3], dtype=int)
np.array([1,2,3], dtype=np.int_)

1. 作为Cython类型标识符，它还有另一个含义，在这里代表ctype int。它的精度有限（通常为32位）。您可以将其用作Cython类型，例如在定义变量时cdef：

   cdef int value = 100    # variable
   

   cdef int[:] arr = … # memoryview

作为cdef或cpdef函数的返回值或参数值：

    cdef int my_function(int argument1, int argument2):
    # ...

作为“通用” ndarray：

    cimport numpy as cnp
cdef cnp.ndarray[int, ndim=1] val = ...

对于类型转换：

    avalue = <int>(another_value)

可能还有更多。

1. 在Cython中，但作为Python类型。您仍然可以调用，int并获得一个“ Python int”（任意精度），或者将其用作isinstance或用作的dtype参数np.array。这里的上下文很重要，因此转换为Pythonint与转换为C int是不同的：

   cdef object val = int(10)  # Python int
   

   cdef int val = (10) # C int

np.int

其实这很容易。这只是一个别名int：

>>> int is np.int
True

因此，上述所有内容同样适用np.int。但是，除非在cimported软件包上使用它，否则不能将其用作类型标识符。在这种情况下，它表示Python整数类型。

cimport numpy as cnp

cpdef func(cnp.int obj):
    return obj

这将obj是一个Python整数， 而不是NumPy类型 ：

>>> func(np.int_(10))
TypeError: Argument 'obj' has incorrect type (expected int, got numpy.int32)
>>> func(10)
10

我的建议np.int：尽可能避免使用。在Python代码中，它等同于Python
int；在Cython代码中，它也等同于Python，int但是如果用作类型标识符，它可能会使您和所有阅读代码的人感到困惑！这肯定让我感到困惑。

np.int_

实际上，它只有一个含义：这是一个表示标量NumPy类型的 Python 类型。您可以像Pythons一样使用它int：

>>> np.int_(10)        # looks like a normal Python integer
10
>>> type(np.int_(10))  # but isn't (output may vary depending on your system!)
numpy.int32

或者您使用它来指定dtype，例如np.array：

>>> np.array([1,2,3], dtype=np.int_)
array([1, 2, 3])

但是您不能将其用作Cython中的类型标识符。

cnp.int_t

这是的类型标识符版本np.int_。这意味着您不能将其用作dtype参数。但是您可以将其用作cdef声明的类型：

cimport numpy as cnp
import numpy as np

cdef cnp.int_t[:] arr = np.array([1,2,3], dtype=np.int_)
     |---TYPE---|                         |---DTYPE---|

该示例（希望如此）表明，带有尾部的类型标识符_t实际上使用不带尾部的 dtype 表示数组的类型t。您无法在Cython代码中互换它们！

笔记

NumPy中还有更多数字类型，我将包括一个列表，其中包含NumPy
dtype和Cython类型标识符以及也可以在Cython中使用的C类型标识符。但这基本上来自NumPy文档和Cython
NumPypxd文件：

NumPy dtype          Numpy Cython type         C Cython type identifier

np.bool_             None                      None
np.int_              cnp.int_t                 long
np.intc              None                      int       
np.intp              cnp.intp_t                ssize_t
np.int8              cnp.int8_t                signed char
np.int16             cnp.int16_t               signed short
np.int32             cnp.int32_t               signed int
np.int64             cnp.int64_t               signed long long
np.uint8             cnp.uint8_t               unsigned char
np.uint16            cnp.uint16_t              unsigned short
np.uint32            cnp.uint32_t              unsigned int
np.uint64            cnp.uint64_t              unsigned long
np.float_            cnp.float64_t             double
np.float32           cnp.float32_t             float
np.float64           cnp.float64_t             double
np.complex_          cnp.complex128_t          double complex
np.complex64         cnp.complex64_t           float complex
np.complex128        cnp.complex128_t          double complex

实际上，有Cython类型np.bool_：cnp.npy_bool，bint但目前它们都不能用于NumPy数组。对于标量，cnp.npy_bool将只是一个无符号整数，而bint将是一个布尔值。不知道发生了什么…

1来自NumPy文档“数据类型对象”

内置Python类型

当用于生成dtype对象时，几种python类型等效于对应的数组标量：

int           np.int_
bool          np.bool_
float         np.float_
complex       np.cfloat
bytes         np.bytes_
str           np.bytes_ (Python2) or np.unicode_ (Python3)
unicode       np.unicode_
buffer        np.void
(all others)  np.object_