np.floor()和np.ceil()返回与输入相同dtype的数组（如float64），非Python整数；用于索引需显式.astype(int)；负数向下/向上取整符合数学定义；nan保持dtype不变，整型输入nan报错。
np.floor() 和 np.ceil() 怎么用，为什么结果不是整数类型
它们返回的是和输入相同 dtype 的数组，不是 Python int 或 int64——这是最常被误解的一点。比如 np.floor(3.7) 返回 3.0（float64），不是 3；如果你后续要当索引用，得显式转成整数类型。
- 必须配合
.astype(int)或.astype(np.int64)才能安全用于数组索引或切片 - 遇到负数时行为要特别注意：
np.floor(-2.3)是-3.0（向下），np.ceil(-2.3)是-2.0（向上） - 如果输入含
nan，结果仍是nan，且 dtype 不变；但若原数组是整型，传入nan会报错（整型不支持nan）
np.round() 是四舍五入吗？为什么 0.5 有时舍、有时入
不是严格的“四舍五入”，而是“银行家舍入”（round half to even）：0.5 向最近的偶数靠拢。所以 np.round(0.5) → 0.0，np.round(1.5) → 2.0，np.round(2.5) → 2.0。
- 这个规则是为了减少统计偏差，但和直觉冲突，尤其做数据校验或教学演示时容易翻车
- 不支持指定“向上/向下舍入半数”，也没法通过参数关掉银行家规则
- 想严格四舍五入，得自己写逻辑，比如：
np.floor(x + 0.5)（正数安全，负数需额外处理）
向下/向上取整在实际场景中怎么选：索引、分桶、对齐
常见误用是直接拿 np.floor() 结果当索引，却忘了它返回浮点数——NumPy 会静默转成整数索引，但遇到 nan 或超界值就崩。
- 做分桶（如把连续值映射到 bin ID）：用
(x - min_val) // bin_width更稳，比np.floor((x - min_val) / bin_width)少一次除法和类型转换 - 图像下采样定位像素：用
np.floor(coords / scale).astype(int)，但 scale=0 必须提前检查，否则除零产生inf再 floor 变成-inf或inf - 时间戳对齐（如每5分钟一桶）：先转成
int64时间戳（纳秒级），再用整数除法//，比用np.floor()更快也更可控
性能和跨平台一致性要注意什么
np.floor() 和 np.ceil() 在所有平台行为一致，但速度比纯 Python math.floor() 慢——因为它们走向量化路径，适合数组；单个数别用 NumPy。
- 小数组（
-
np.round()在不同 NumPy 版本间行为一致，但老版本（ - 混用 float32 和 float64 输入时，输出 dtype 按 NumPy 类型提升规则走，不是简单继承——比如 float32 数组调用
np.ceil()还是 float32，但 float32 标量传进去可能升成 float64
事情说清了就结束。真正麻烦的从来不是函数怎么写，而是你忘了它不自动转 int，也忘了 0.5 不一定进位。
