NumPy 2.0升级核心问题是类型行为突变与API删除：dtype='U'需显式长度或改用str；np.int等别名被彻底移除，须替换为np.int64/np.bool_；C扩展须重装以解决二进制不兼容。
直接升级到 NumPy 2.0 后，90% 的报错不是语法错误，而是类型行为突变或 API 消失——它不给你警告，只抛错。必须按破坏性强度分层处理，不能靠“试运行+修报错”硬扛。
dtype='U' 或 dtype='S' 报 ValueError: string of length 1 is not supported
这是升级后最常卡住的第一道墙。NumPy 2.0 默认启用 strict string casting，dtype='U' 和 dtype='S' 不再隐式推导长度，必须显式带数字或改用 Python 类型。
-
np.array(['a', 'bb'], dtype='U')→ 报错；应改为np.array(['a', 'bb'], dtype=str)（推荐，自动选U2）或np.array(['a', 'bb'], dtype='U10')（需控制上限） -
np.dtype('U')单独调用也失败，必须写np.dtype('U3')；同理np.dtype('S5') - 旧代码里用
dtype=np.str_的，现在等价于dtype=str，但注意np.str_本身仍是合法 dtype，只是不再接受无长度字符串构造
AttributeError: module 'numpy' has no attribute 'int' 或 'bool'
所有模糊别名如 np.int、np.bool、np.float、np.complex 在 2.0 中被彻底删除，不是弃用，是物理移除。
-
dtype=np.int→ 改为dtype=np.int64（或按需用np.int32/np.intp） -
dtype=np.bool→ 改为dtype=np.bool_（注意下划线），np.bool_是唯一保留的布尔标量类型 -
np.asscalar(x)已删，统一用x.item()；np.NaN不再推荐，改用float('nan')或np.nan - 类型注解场景（如 mypy）中写
np.bool会直接报错，必须写np.bool_或 Python 内置bool
np.float32(3) + 3.0 返回 float32 而非 float64
这是 NEP 50 标量提升规则生效的典型表现：标量精度不再被数组“拉高”，而是优先保留标量自身精度。看似合理，但可能引发静默精度丢失或整数溢出。
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
立即学习“Python免费学习笔记（深入）”；
- 旧逻辑：
np.float32(3) + 3.0→float64（标量被“升级”） - 新逻辑：
np.float32(3) + 3.0→float32（标量主导结果类型） - 若需兼容旧行为，可在测试阶段临时启用警告模式：
np._set_promotion_state("weak_and_warn")，它会在类型降级时发出FutureWarning - Windows 上还伴随默认整数变更：64 位系统 now 使用
np.intp（即 64 位），若与 C 扩展交互出错，可显式转：arr.astype("long", copy=False)
ImportError: numpy.ndarray size changed 或 ModuleNotFoundError: No module named 'numpy.compat'
前者是 C 扩展二进制不兼容的铁证，后者是旧兼容层被物理删除的信号——它们都不靠重装 NumPy 解决。
-
ImportError: numpy.ndarray size changed根本不是版本号问题，而是 ta-lib-python、pyemd 等扩展在 NumPy 1.x 头文件下编译，却加载到 2.0 运行时。解决方法只有重装这些包：pip uninstall ta-lib && pip install ta-lib（确保用 ≥0.5.0 版本） -
numpy.compat模块已完全删除，任何from numpy.compat import py3k都会爆ModuleNotFoundError。别试图找替代模块，它就是没了 - 检查依赖链：运行
pip show scikit-learn tensorflow，确认其Requires:字段是否支持numpy>=2.0；若不支持，要么锁死 NumPy 1.26.4，要么等下游发新版
真正难的不是改几行代码，而是识别那些没报错但行为已变的地方——比如一个 np.concatenate([a32, b64]) 在 1.x 返回 float64，在 2.0 可能返回 float32，而你的数值误差检测阈值刚好卡在边界上。这类问题只能靠全量回归测试暴露，没有捷径。
