我知道 1.0 * (40-80) 会导致 -40.0。我理解的是

1.0 * (np.array([np.uint8(40)])-80)

会导致 array([216.])。因此，``` import numpy as np

C = 1.0

def f(x): return C * (x - 80)

print(f(np.array([np.uint8(40)]))) `` 也不意外地输出[216.]`。更令人惊讶的是

print(np.vectorize(f)(np.array([np.uint8(40)])))

的输出：

[-40.]
/var/folders/jz/34xs15sd3ng6dpxkv78hh1lr0000gn/T/ipykernel_61208/1067934613.py:7: RuntimeWarning: overflow encountered in scalar subtract
  return C * (x - 80)

基于这个讨论串，我对正在发生的事情的最佳理解是，f 被调用一次以确定输出的数据类型，遇到了溢出（因此有警告）。输出的数据类型被确定为 np.float64。f 再次被调用，这次是为了确定实际输出，我们得到 [-40.]。似乎某种方式，输入 np.uint8(40) 被转换为 np.float64，只有在那之后才减去80，因此得到 -40，而不是216。

如果我手动指定输出的数据类型，我也会期望得到相同的输出。所以，这个：

print(np.vectorize(f,otypes=[np.float64])([np.uint8(40)]))

我希望按照上面的推理，得到 [-40.]。输出数据类型已知（np.float64），将输入转换为 np.float64，减去80，乘以1.0，返回 -40。然而，我得到的是：

[216.]
/var/folders/jz/34xs15sd3ng6dpxkv78hh1lr0000gn/T/ipykernel_67644/1868397835.py:7: RuntimeWarning: overflow encountered in scalar subtract
  return C * (x - 80)

因此，上文中对正在发生的事情的看法是错误的。

为什么 print(np.vectorize(f)(np.array([np.uint8(40)]))) 能避免整数溢出，而 print(f(np.array([np.uint8(40)]))) 和 print(np.vectorize(f,otypes=[np.float64])([np.uint8(40)])) 却不能避免？

解决方案

如果我们查看numpy的 源码，我们可以看到 vectorize 在调用函数之前不会改变输入的数据类型。传递 otypes 只会影响输出的数据类型，我们在第2599-2602行看到，函数是使用原始数据类型调用的，结果被强制转换为通过 otypes 传递的类型。

当你调用 vectorize 时，发生如下情况：

args = [asanyarray(a, dtype=object) for a in args]
outputs = ufunc(*args, out=...)

if ufunc.nout == 1:
    res = asanyarray(outputs, dtype=otypes[0])

看起来所有输入都先被转换为对象类型，因此也许也会产生一些额外的怪异行为，但核心原因是：输入在执行你的函数之前没有被强制转换，而 输出只有在函数计算完成后才被强制转换。