Ale*_*are 5 python numpy typing
的文档称它是“np.typing.NDArray通用版本np.ndarray[Any, np.dtype[+ScalarType]]”。“通用”的概括发生在哪里？
在文档中，numpy.ndarray.__class_getitem__我们有这个示例np.ndarray[Any, np.dtype[Any]]，但没有解释这两个参数是什么。
为什么我可以这样做np.ndarray[float]，即只使用一个参数？这意味着什么？
在这种情况下，“通用”意味着“通用类型”（另请参见术语表），与类型相关的对象可以通过下标来生成更具体的类型“实例”（对草率的术语表示歉意，我不熟悉类型讲话）。认为typing.List这可以让您用来List[int]表示同构的整数列表。
从 Python 3.9 开始，大多数标准库集合已升级为与泛型类型本身的类型兼容。由于tuple[foo]在 3.9 之前都是无效的，因此可以安全地允许表示与过去tuple[int, int]相同的含义：两个整数的元组。typing.Tuple[int, int]
因此，从 3.9 开始，NumPy 还允许使用np.ndarray类型作为泛型，这就是np.ndarray[Any, np.dtype[Any]]所做的。这个“签名”与实际签名np.ndarray.__init__()匹配（__new__()如果我们想要正确的话）：
class numpy.ndarray(shape, dtype=float, ...)
那么，np.ndarray[foo, bar]要做的就是创建一个类型提示，这意味着“形状类型foo和 dtype的 NumPy 数组bar”。人们通常不会np.ndarray()直接调用（而是使用诸如np.array()或np.full_like()之类的帮助器），因此这在 NumPy 中更加良好。
现在，由于大多数代码都使用多个可能维数的数组运行，因此必须为形状元组（作为np.ndarray泛型类型的第一个“参数”）指定任意数量的长度将是一件痛苦的事情。我认为这是定义类型别名的动机，该类型别名在第二个“参数”中仍然是泛型。这是np.typing.NDArray。
它可以让您轻松地键入提示作为给定类型的数组，而无需说明任何有关形状的信息，涵盖了用例的大量子集（否则将使用np.ndarray[typing.Any, ...]）。这仍然是一个泛型，因为您可以使用数据类型对其进行参数化。引用文档：
>>> print(npt.NDArray)
numpy.ndarray[typing.Any, numpy.dtype[+ScalarType]]
>>> print(npt.NDArray[np.float64])
numpy.ndarray[typing.Any, numpy.dtype[numpy.float64]]
与通常的泛型一样，您可以为泛型类型指定参数，但不是必需的。ScalarType派生自np.generic，一个涵盖大多数（也许是全部）NumPy 标量类型的基类。定义的库代码NDArray在这里，并且对于调用_GenericAlias旧版 Python 的帮助程序（ 的向后移植typing.GenericAlias）来说是相当透明的。最后得到的是一个类型别名，它在一个变量中仍然是通用的。
解决你问题的最后一部分：
为什么我可以这样做
np.ndarray[float]，即只使用一个参数？这意味着什么？
我认为虎头蛇尾的解释是我们需要再次查看 的签名np.ndarray()：
class numpy.ndarray(shape, dtype=float, buffer=None, offset=0, strides=None, order=None)
有一个强制参数 ( shape)，所有其他参数都是可选的。所以我相信np.ndarray[float]指定它对应于形状为类型的数组float（即废话）。有一个显式检查仅允许泛型类型中存在 1 个或 2 个参数：
class numpy.ndarray(shape, dtype=float, ...)
此代码片段检查两个参数是否已传递给__class_getitem__，否则引发，并且在有效情况下遵循 的C API 版本typing.GenericAlias。
我很确定没有技术原因将构造函数的其他参数ndarray从泛型类型中排除，但是有一个语义原因，即第三个参数buffer没有意义包含在类型中（或者只是一般性地推动将泛型类型的通用性降低到最常见的用例）。
话虽这么说，我还无法构建一个小示例，其中为shape泛型类型传递的类型会导致mypy. 从几次尝试来看，似乎总是检查形状，而不是typing.Any作为 的第一个参数传递的任何内容np.ndarray[...]。例如，考虑以下示例：
>>> print(npt.NDArray)
numpy.ndarray[typing.Any, numpy.dtype[+ScalarType]]
>>> print(npt.NDArray[np.float64])
numpy.ndarray[typing.Any, numpy.dtype[numpy.float64]]
在 Python 3.9 上运行 mypy 0.991 给出
foo.py:5: error: Incompatible types in assignment (expression has type "ndarray[Any, dtype[floating[Any]]]", variable has type "ndarray[Tuple[int], dtype[signedinteger[_64Bit]]]") [assignment]
Found 1 error in 1 file (checked 1 source file)
仅发现数据类型不匹配，但未发现形状不匹配。如果我使用np.ndarray((3,), dtype=...)而不是np.arange()，我会看到同样的事情，所以这不仅仅是由于np.arange()助手的奇怪类型（尽管我用它作为示例，因为这是一个保证返回一维数组的函数）。由于我无法解释这种行为，所以我不能确定我的理解是否正确，但我没有更好的模型。
回到您在评论中提出的问题：
是的，那么我理解 np.ndarray[int] 就像 np.ndarray[Any, int] 是正确的吗？
不，至少我们可以排除这一点（我们在这里看到的与第一个参数一致，仅影响形状，无论它影响它的程度如何）：
class numpy.ndarray(shape, dtype=float, buffer=None, offset=0, strides=None, order=None)
结果来自mypy：
foo.py:7: error: "ndarray" expects 2 type arguments, but 1 given [type-arg]
foo.py:9: error: Incompatible types in assignment (expression has type "ndarray[Any, dtype[floating[Any]]]", variable has type "ndarray[Any, dtype[signedinteger[Any]]]") [assignment]
foo.py:11: error: "ndarray" expects 2 type arguments, but 1 given [type-arg]
Found 3 errors in 1 file (checked 1 source file)
四种情况：
first：显式输入为“任何形状的 int 数组”，类型正确赋值没有错误second：输入为“具有 int 类型形状和任何 dtype 的数组”，应该会失败，因为这是无意义的，但事实并非如此（请参阅前面关于形状类型检查的无能性的思考）third：显式键入另一个“任意形状的 int 数组”，被分配一个双精度数组，导致错误fourth：输入为“具有 int 类型形状和任意 dtype 的数组”，不会导致错误（请参阅second）。由于第三种情况会导致错误，而第四种情况不会，因此它们不能是彼此的别名。还值得注意的是 mypy 抱怨存在的两行np.ndarray[np.dtype[np.int_]]：
foo.py:7: 错误：“ndarray”需要 2 个类型参数，但给定 1 个 [type-arg]
就 mypy 而言，这听起来像是禁止使用泛型的单参数。我不确定为什么会出现这种情况，但这肯定会简化情况。