Python原生int不会溢出，但NumPy int64、C扩展、float等类型会静默溢出或精度丢失；关键风险在外部接口处，需显式校验类型与范围。
int 类型在 Python 中不会溢出——这不是“基本安全”，而是设计如此：它底层用动态数组存二进制位，加法、乘法等运算会自动扩容，直到内存耗尽。你写 2**100000 没问题，pow(999, 9999) 也没问题。
但别急着松口气。真正踩坑的地方根本不是 int，而是你没意识到自己其实在用别的类型。
NumPy 的 int64 会静默 wraparound
np.int64 是 C 风格固定宽度整数，不是 Python int。
- np.iinfo(np.int64).max 是 9223372036854775807（即 2⁶³−1）
- 超过这个值再加 1，结果直接变成 -9223372036854775808（即 −2⁶³），不报错、不警告
常见错误现象：
-
np.array([2**63-1], dtype=np.int64) + 1→[-9223372036854775808] - 读取 CSV 时 pandas 默认用
float64存大整数列，12345678901234567890可能被存成12345678901234567168（精度丢失） - 图像处理中用
uint8存像素，250 + 10得到4（因为 260 % 256 = 4）
解决办法：
- 显式指定 dtype：np.array([...], dtype=np.int64) 前先用 np.iinfo(np.int64).max 校验输入最大值
- 需要无界整数时，别用 NumPy 数组，改用原生 list + int
- 读 CSV 时加 dtype={'id': 'Int64'}（注意大写 I，启用 nullable integer）
float 不是“溢出”，是“从第 16 位就开始撒谎”
float 底层是 IEEE 754 双精度，只保证约 15 位十进制有效数字。
- 10**16 + 1 == 10**16 返回 True
- 0.1 + 0.2 != 0.3 是常态，不是 bug
- math.isfinite(x) 只能排除 inf/nan，不能发现 10000000000000001.0 其实已经失真
使用场景里最容易中招的：
立即学习“Python免费学习笔记（深入）”；
- 用
pandas.read_csv()默认解析数值列 → 全转成float64 - 调用 C 扩展（如大模型推理库）返回
double→ 直接进 Python 变float -
time.time()返回 float 秒数，微秒级时间戳转 int 时可能丢精度
验证是否失真：
- 对本该是整数的 float，用 abs(x - round(x)) > 1e-10
- 关键计算路径用 decimal.Decimal 交叉比对，例如 Decimal('1.1') + Decimal('2.2')
- 别在热循环里用 Decimal，它比 float 慢 10–100 倍
调用 C 扩展时，Python 的“不溢出”就失效了
Python 自身的int 安全，不代表你调用的所有东西都安全。
- struct.unpack('Q', b'\xff'*8) 返回 int，但原始字节按 uint64 解包，超限后行为由 C 定义
- ctypes.c_longlong(2**63) 构造时就可能触发 C 层 undefined behavior
- 大模型 Python 包（如 PyTorch、llama-cpp-python）底层是 C/C++，tensor 运算用 int32/int64，溢出后 wraparound 或 inf/nan
关键判断点：
- 看函数文档是否明确写 “returns Python int” 还是 “returns C long”
- 查源码或头文件：如果参数声明为 int64_t* 或返回 double，你就得自己做范围校验
- 启用 np.seterr(all='raise') 捕获 FloatingPointError，但它对整数 wraparound 无效
真正的边界不在 Python 语言层，而在你和外部世界的接口处。那些 ctypes、struct、numpy、C 扩展，才是溢出漏洞实际发生的地方。
