astype 向零截断而非四舍五入，是设计行为：np.array([1.9, -2.8]).astype(int) 得 [1, -2]；安全做法是 np.round(arr, decimals=0).astype(np.int32)，兼顾语义清晰、负数正确与浮点误差规避。
为什么 astype 会悄悄吃掉小数精度？
直接用 astype(np.int32) 或 astype(int) 转换含小数的 NumPy 数组时，不是四舍五入，而是向零截断（truncation）。比如 np.array([1.9, -2.8]).astype(int) 得到 [1, -2]，而非预期的 [2, -3]。这在做坐标取整、索引映射或统计前预处理时极易引发越界或逻辑偏移。
如何安全地做“四舍五入 + 类型转换”？
别把四舍五入和类型转换拆成两步（如先 np.round() 再 astype()），中间可能引入浮点误差；应优先使用 np.round() 的 decimals=0 + 显式目标 dtype 组合：
-
np.round(arr, decimals=0).astype(np.int32)—— 推荐，语义清晰且能处理负数正确 - 若需银行家舍入（偶数舍入），用
np.around(arr).astype(np.int32)（around是round的别名，行为一致） - 避免
arr.astype(int)后再加+ 0.5等手工补偿，对负数失效且不满足 IEEE 754 规则
astype 中 dtype 字符串 vs 类型对象有啥区别？
写 arr.astype('int32') 和 arr.astype(np.int32) 行为一致，但字符串形式在跨平台或旧版本 NumPy 中更健壮；而 arr.astype(int) 实际调用的是 Python 原生 int，它会触发 NumPy 的默认映射（通常是 np.int_），但在 64 位 Windows 上可能是 int32，Linux/macOS 上常是 int64，导致结果不可移植。
安全 Python 代码沙箱：在隔离的沙箱中执行任意 Python 代码，预装 requests、NumPy、pandas 库。返回 stdout、stderr。
- 始终显式写
np.int32、np.float32等具体类型，避免歧义 - 注意
np.int已被弃用，NumPy 2.0+ 会报错，改用np.int32或np.int64 - 若需保持平台中立且内存不敏感，用
np.intp（指针大小整型），适合做索引
float32 → int 转换时为啥有时得到奇怪的大数？
当 float32 值超出目标整型表示范围（如 np.float32(1e8) 转 np.int8），NumPy 不抛错，而是按位截断（bitwise wraparound），例如 np.array([300], dtype=np.float32).astype(np.int8) 返回 [44]（因为 300 % 256 = 44）。这种静默溢出极难调试。
立即学习“Python免费学习笔记（深入）”；
- 转换前用
np.clip()限定范围：arr.clip(min_, max_).astype(np.int8) - 或用
np.where()配合布尔掩码做安全转换，保留 NaN/Inf 检查能力 - 启用运行时警告：
np.seterr(over='warn', invalid='warn')，但注意它不捕获截断类溢出
