Numpy 涵盖：类型提升与数值细节、条件筛选与搜索、线性代数、内存进阶、IO 与工程实践、并发相关
NumPy 进阶知识点与面试指南涵盖：类型提升与数值细节、条件筛选与搜索、线性代数、内存进阶、IO 与工程实践、并发相关一、类型提升与数值细节1.1 type promotion（类型提升）规则当不同 dtype 的数组进行运算时，NumPy 需要决定结果用什么类型存储。这套规则叫type promotion，核心原则是：结果类型必须能够无损容纳两个操作数的取值范围，同时尽量不做"过度提升"（不会为了保险把所有运算都提升成 float64）。底层原理：NumPy 内部维护了一张类型层级表（type hierarchy），大致顺序是：bool → int8/uint8 → int16/uint16 → int32/uint32 → int64/uint64 → float16 → float32 → float64 → complex64 → complex128运算时按照"就高不就低"原则选择能覆盖双方数值范围的最小类型。int32 + float64的结果是 float64，原因：整型和浮点型运算，NumPy 优先保证不丢失浮点精度和不发生截断int32 的最大值远小于 float64 能精确表示的整数范围，所以直接提升为 float64，不会丢失信息注意：NumPy 2.0 引入了NEP 50新的类型提升规则，对"标量与数组混合运算"的行为做了修订（老版本中 Python 标量会被当作"弱类型"处理，容易出现和预期不符的提升结果，比如np.array([1,2,3], dtype=np.int8) + 1000在旧版本可能不会安全提升）。面试中如果被问到，可以提及这一版本差异，体现对细节的关注。可以用np.result_type()直接查询提升结果：np.result_type(np.int32,np.float64)# dtype('float64')np.result_type(np.int8,np.int8)# dtype('int8')1.2 溢出问题：静默回绕（silent overflow）核心结论：NumPy 的整型运算不做溢出检查，默认不会报错，只会静默回绕（wrap around）。底层原理：整型在内存中是固定字节宽度的二进制表示（补码），运算结果如果超出该类型能表示的范围，高位会被截断，只保留低位，导致数值"绕回"另一端。a=np.array([120,125],dtype=np.int8)a+10# array([-126, -121], dtype=int8)分析：int8范围是[-128, 127]。120 + 10 = 130，超出 127，二进制层面高位被截断，实际结果按补码解释变成了130 - 256 = -126。这是和 Python 原生int（任意精度、自动扩容）最大的行为差异之一，也是面试中考察"是否真正理解底层内存表示"的经典题。无符号整型溢出同理，会从 0 绕回到最大值附近（比如uint8的255 + 1 = 0）。可以通过np.errstate局部开启警告：withnp.errstate(over='warn'):a+10浮点运算溢出行为不同：不会回绕，而是产生inf或-inf，同样默认不抛异常，只是可以通过np.errstate控制是否警告/报错。1.3 nan 与 inf 的处理np.nan（Not a Number）和np.inf（无穷）都是IEEE 754 浮点标准定义的特殊值，只存在于浮点类型中（整型数组无法表示 nan/inf）。底层特性：nan != nan永远为True的比较结果是False（nan 与任何值比较都返回 False，包括自身），这是 IEEE 754 规定的行为，不是 bug因此不能用arr == np.nan判断，必须用专门函数常用 API：函数作用np.isnan(arr)逐元素判断是否为 nan，返回布尔数组np.isinf(arr)逐元素判断是否为 inf/-infnp.isfinite(arr)判断是否为有限数值（非 nan 且非 inf）np.nan_to_num(arr)将 nan 替换为 0，inf 替换为该 dtype 能表示的最大有限值，-inf 替换为最小值（也可以用参数自定义替换值）arr=np.array([1.0,np.nan,np.inf,-np.inf])np.isnan(arr)# [False, True, False, False]np.isfinite(arr)# [True, False, False, False]np.nan_to_num(arr)# [1.0, 0.0, 1.79e+308, -1.79e+308]实际工程中，nan 常用于表示"缺失值"，在做sum、mean等聚合运算前经常需要用np.nansum、np.nanmean等"nan 安全版本"的函数，它们会自动跳过 nan 参与计算。二、条件筛选与搜索类 API2.1 np.wherenp.where有两种用法，本质是同一个函数的重载：三参数形式（条件选择，类似向量化的三元表达式）：np.where(condition,x,y)逐元素判断condition，为 True 取x对应位置的值，为 False 取y对应位置的值。x、y可以是标量也可以是数组（会触发广播）。a=np.array([1,-2,3,-4])np.w
