Python RuntimeWarning: débordement rencontré dans les scalaires longs

Voici un exemple qui émet le même avertissement:

import numpy as np
np.seterr(all='warn')
A = np.array([10])
a=A[-1]
a**a

Rendements

RuntimeWarning: overflow encountered in long_scalars

Dans l'exemple ci-dessus, cela se produit parce que a est de type dtype int32, et la valeur maximim stockable dans un int32 est 2**31-1. Depuis 10**10 > 2**32-1, l'exponentiation résulte en un nombre qui est plus grand que celui qui peut être stocké dans un int32.

Notez que vous ne pouvez pas compter sur np.seterr(all='warn') pour attraper tout débordement les erreurs dans numpy. Par exemple, sur NumPy 32 bits

>>> np.multiply.reduce(np.arange(21)+1)
-1195114496

Sur 64 bits NumPy:

>>> np.multiply.reduce(np.arange(21)+1)
-4249290049419214848

Les deux échouent sans avertissement, bien que cela soit également dû à une erreur de débordement. La bonne réponse est que 21! égal à

In [47]: import math

In [48]: math.factorial(21)
Out[50]: 51090942171709440000L

Selon numpy développeur, Robert Kern,

Contrairement aux vraies erreurs à virgule flottante (où le FPU matériel définit un drapeau chaque fois qu'il fait une opération atomique qui déborde), nous devons implémentez nous-mêmes la détection de débordement d'entiers. Nous le faisons sur le le scalaires, mais pas de tableaux car cela être trop lent à mettre en œuvre pour chaque opération atomique sur les tableaux.

Il vous incombe donc de choisir dtypes approprié pour qu'aucune opération ne déborde.