在 Python 編程中，我們經(jīng)常會(huì)看到類似 int32、int64 的數(shù)據(jù)類型，尤其是在使用 NumPy、Pandas 等科學(xué)計(jì)算庫時(shí)更為常見。

• 它們到底和 Python 內(nèi)置的 int 有什么區(qū)別？
• 為什么有時(shí)候我們要用 int32，有時(shí)候又要用 int64？
• 這兩者之間又是怎樣的關(guān)系？

本文將從底層原理、存儲(chǔ)方式、性能影響等角度梳理 int32 與 int64 的差異與聯(lián)系。

一、首先：Python 的int類型是沒有固定位數(shù)的

在純 Python 中，整數(shù)類型只有一個(gè)：

a = 10
print(type(a))  # <class 'int'>

Python 的 int 是一種任意精度整數(shù)（arbitrary-precision integer），

也就是說，它可以根據(jù)需要自動(dòng)擴(kuò)展存儲(chǔ)位數(shù)，不會(huì)像 C 或 Java 那樣溢出。

x = 2 ** 1000
print(x)
# Python 可以輕松表示 1000 位的大整數(shù)

總結(jié)：Python 自帶的 int 是 動(dòng)態(tài)精度類型，沒有固定的 32 位或 64 位限制。

二、int32和int64來自哪里？

它們并不是 Python 內(nèi)置類型，而是來自 NumPy 庫。

import numpy as np

a = np.int32(10)
b = np.int64(10)

print(type(a))  # <class 'numpy.int32'>
print(type(b))  # <class 'numpy.int64'>

NumPy 是一個(gè)專為高性能數(shù)值計(jì)算設(shè)計(jì)的庫，它引入了固定長度整數(shù)類型，以便：

• 控制內(nèi)存占用；
• 與 C / Fortran 等底層語言數(shù)據(jù)結(jié)構(gòu)兼容；
• 在矩陣、數(shù)組運(yùn)算中提升性能。

三、int32 與 int64 的本質(zhì)區(qū)別

示例：

import numpy as np

x = np.int32(2**31 - 1)
print(x)  # 2147483647
print(x + 1)  # 溢出 -> -2147483648

y = np.int64(2**31 - 1)
print(y + 1)  # 正常 -> 2147483648

int32 會(huì)溢出（overflow），int64 不會(huì)在同范圍內(nèi)溢出。

四、內(nèi)存占用差異

我們可以用 nbytes 查看 NumPy 對(duì)象的內(nèi)存大?。?/p>

import numpy as np

a = np.int32(1)
b = np.int64(1)

print(a.nbytes)  # 4
print(b.nbytes)  # 8

數(shù)組中的差異更明顯：

arr32 = np.arange(1000000, dtype=np.int32)
arr64 = np.arange(1000000, dtype=np.int64)

print(arr32.nbytes)  # 4,000,000 bytes (≈4MB)
print(arr64.nbytes)  # 8,000,000 bytes (≈8MB)

當(dāng)處理大規(guī)模數(shù)組時(shí)，int32 的內(nèi)存效率要高得多。

五、與 Python 原生int的關(guān)系

NumPy 的 int32、int64 類型是對(duì) C 語言原生整數(shù)類型的封裝。

而 Python 的 int 是一個(gè)可變長結(jié)構(gòu)體對(duì)象，比固定長度的整數(shù)更靈活，但性能略低。

import numpy as np

a = np.int32(123)
b = np.int64(123)
c = 123

print(isinstance(a, int))  # False
print(isinstance(c, int))  # True

print(a + c)  # 自動(dòng)轉(zhuǎn)換為 np.int64

NumPy 與 Python 的類型會(huì)自動(dòng)互相轉(zhuǎn)換：

• 當(dāng) np.int32 與 Python int 一起計(jì)算時(shí)，結(jié)果會(huì)被提升為更高精度；
• 當(dāng)存入 NumPy 數(shù)組時(shí)，會(huì)自動(dòng)“向下轉(zhuǎn)換”為對(duì)應(yīng) dtype。

六、int32 與 int64 的兼容與類型提升（Type Promotion）

在 NumPy 中，當(dāng)不同整數(shù)類型參與運(yùn)算時(shí)，會(huì)自動(dòng)進(jìn)行類型提升：

import numpy as np

a = np.int32(10)
b = np.int64(20)
print((a + b).dtype)  # int64

規(guī)則：

小位寬類型自動(dòng)提升為大位寬類型，以避免溢出和精度損失。

七、性能比較：int32 vs int64

雖然 int32 占用更少內(nèi)存，但在 64 位系統(tǒng)上，int64 運(yùn)算往往更快。

import numpy as np, time

arr32 = np.arange(1000000000, dtype=np.int32)
arr64 = np.arange(1000000000, dtype=np.int64)

t1 = time.time()
arr32.sum()
t2 = time.time()
arr64.sum()
t3 = time.time()

print("int32 sum 耗時(shí)：", t2 - t1)
print("int64 sum 耗時(shí)：", t3 - t2)

輸出（典型）：

int32 sum 耗時(shí)： 13.115193367004395
int64 sum 耗時(shí)： 1.120774269104004

可見 int64 時(shí)間上的耗時(shí)顯著比 int32 少

結(jié)論：

• int32 更省內(nèi)存；
• int64 在 64 位系統(tǒng)上通常更快（因?yàn)榕c CPU 位寬對(duì)齊）。

八、不同平臺(tái)下的默認(rèn)整數(shù)類型

NumPy 中的默認(rèn)整數(shù)類型與操作系統(tǒng)架構(gòu)有關(guān)：

驗(yàn)證：

import numpy as np
print(np.int_.__name__)  # int64 (大多數(shù)現(xiàn)代系統(tǒng))

因此，如果不特別指定，NumPy 默認(rèn)使用與系統(tǒng)一致的位寬。

九、什么時(shí)候用int32，什么時(shí)候用int64

十、補(bǔ)充：還有uint8、int16、uint64等類型

NumPy 提供了豐富的整數(shù)類型族：

這些類型使得 NumPy 能精確控制內(nèi)存布局，適合圖像處理、深度學(xué)習(xí)、嵌入式計(jì)算等應(yīng)用場景。

十一、總結(jié)對(duì)比表

以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

最新評(píng)論