cython中np.in t，np.int，int和np.int的区别？

Question

在cython中，我有点难以处理这么多的int数据类型。

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

我猜纯python中的int等同于np.int_，那么np.int是从哪里来的呢？我找不到努比的文件？另外，既然我们已经有了np.int_，为什么np.int_还存在？

在cython中，当用作cdef int或ndarray[int]时，int会变成C类型，而当用作int()时，它会保持为python的caster？

np.int_是否等同于C中的long？那么cdef long与cdef np.int_是相同的吗？

在什么情况下我应该使用np.int_t而不是np.int？e、 g.cdef np.int_t，ndarray[np.int_t]。。。

有人能简单地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，因为名字根据上下文有不同的含义。

int

1. 在Python中

   int通常只是一个Python类型，它具有任意精度，这意味着您可以在其中存储任何可能的整数（只要您有足够的内存）。

   >>> int(10**50)
   100000000000000000000000000000000000000000000000000
   

2. 但是，当您使用它作为NumPy数组的dtype时，它将被解释为np.int_¹。它不是任意精度的，它的大小与C的long相同：

   >>> np.array(10**50, dtype=int)
   OverflowError: Python int too large to convert to C long
   

   这也意味着以下两项是等效的：

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

3. 作为Cython类型标识符，它有另一个含义，这里它代表c类型int。它的精度有限（通常是32位）。您可以将其用作Cython类型，例如在使用cdef定义变量时：

   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ndarray的“通用”：

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

   对于类型铸造：

   avalue = <int>(another_value)
   

   可能还有更多。

4. 在Cython中，但作为Python类型。您仍然可以调用int，您将得到一个“Python int”（任意精度），或者将其用于isinstance，或者用作np.array的dtype参数。这里上下文很重要，因此转换为Pythonint与转换为C int不同：

   cdef object val = int(10)  # Python int
   cdef int val = <int>(10)   # C int
   

np.int

其实这很简单。它只是int的别名：

>>> int is np.int
True

所以上面的所有内容也适用于np.int。但是，除非在cimported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

这将要求obj是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

我对np.int的建议是：尽可能避免。在Python代码中，它相当于int，在Cython代码中，它也相当于Python sint，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！我真的很困惑。。。

np.int_

实际上它只有一个含义：它是一个表示标量NumPy类型的Python类型。你用它就像Python一样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

或者使用它指定dtype，例如使用np.array：

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

但在Cython中不能将其用作类型标识符。

cnp.int_t

它是np.int_的类型标识符版本。这意味着您不能将其用作数据类型参数。但是可以将其用作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---|

这个示例（希望）显示了带有尾随_t的类型标识符实际上表示使用不带尾随t的dtype的数组类型。你不能用Cython码交换它们！

注释

在NumPy中还有更多的数字类型，我将包含一个列表，其中包含NumPy dtype和Cython类型标识符，以及C类型标识符，也可以在Cython中使用。但它基本上取自the NumPy documentation和Cython NumPy ^{} file：

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，np.bool_：cnp.npy_bool和bint都有Cython类型，但这两种类型目前都不能用于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取自NumPy documentation "Data type objects"

Built-in Python types

Several python types are equivalent to a corresponding array scalar when used to generate a dtype object:

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_

Answer 2

np.int_是默认的整数类型（as defined in the NumPy docs），在64位系统上，这将是一个C long。np.intc是默认的C int或者int32或者int64。np.int是内置int函数的别名

>>> np.int(2.4)
2
>>> np.int is int  # object id equality
True

cython数据类型应该反映C数据类型，因此cdef int a是C int等等。

对于np.int_t即NumPy np.int_数据类型的Cython编译时间等价物，np.int64_t是Cython编译时间等价物np.int64