复数数组初始化必须显式指定dtype为complex64或complex128，否则默认为object类型导致向量化运算失效；复数函数遵循ieee标准返回主值；复向量内积需用np.vdot或显式共轭；fft需注意精度匹配以防误差累积。
复数数组初始化时 dtype 必须显式指定 complex64 或 complex128
NumPy 默认不会把含复数的列表自动转成复数类型数组，而是降级为 object，后续所有向量化运算都会失效或报错。比如 np.array([1+2j, 3+4j]) 看似正常，但实际 dtype 是 object，调用 np.sin() 会触发 TypeError: ufunc 'sin' not supported for the input types。
正确做法是显式声明类型：
-
np.array([1+2j, 3+4j], dtype=complex)→ 自动选complex128 -
np.array([1+2j, 3+4j], dtype=np.complex64)→ 节省内存，适合大规模计算 - 从实部/虚部分离构造：
np.empty(1000, dtype=np.complex128)后用arr.real = real_part和arr.imag = imag_part赋值，避免中间 Python 复数对象开销
复数函数如 np.log、np.sqrt 在负实轴上默认返回主值，但需留意分支切割行为
NumPy 的复数数学函数严格遵循 IEEE 标准和 C99 定义，对负实数输入（如 -1.0）返回的不是“错误”，而是带确定相位的主值结果。例如 np.sqrt(-1.0) 返回 1j，而 np.log(-1.0) 返回 3.141592653589793j（即 πi），这是正确的，但容易被误认为“异常”。
关键点：
- 分支切割沿负实轴（arg ∈ (−π, π]），
np.sqrt在负实轴上连续从上方逼近，不连续从下方逼近 - 若需绕过主值限制（如计算多值函数某一分支），必须手动调整相位：先用
np.angle(z, deg=False)获取当前辐角，再加减2*np.pi后重建z = np.abs(z) * np.exp(1j * adjusted_angle) -
np.arcsin、np.arccos对 |z| > 1 输入仍返回复数值，不是nan—— 这是设计使然，不是 bug
复数矩阵乘法 np.dot 与 @ 默认不做共轭，需用 np.conj() 显式处理内积
线性代数中复向量内积定义为 u† v（共轭转置），但 np.dot(u, v) 或 u @ v 只做普通点积，不自动共轭。直接用于希尔伯特空间计算会导致结果错误。
常见场景及写法：
- 复向量内积：
np.vdot(u, v)—— 自动对第一个参数共轭，等价于np.dot(np.conj(u), v) - 复矩阵乘法（如 A·B）：
A @ B正确，无需共轭 - 复矩阵 Hermitian 乘积（A†·B）：
A.T.conj() @ B或np.conj(A).T @ B - 避免
np.matmul与np.dot混用：前者对高维数组按最后两轴广播，后者对一维向量是点积，对二维是矩阵乘，行为不一致
FFT 与复数精度问题：np.fft.fft 输出是 complex128，但输入为 float32 时可能引入隐式升精度和舍入误差
当输入是 np.float32 数组时，np.fft.fft(x) 内部会先转成 complex128 计算，输出也是 complex128。这看似无害，但在嵌入式或内存敏感场景下，会浪费一倍空间；更隐蔽的问题是，若后续用 np.fft.ifft 回转并截断为 float32，重建信号可能因两次转换积累误差，导致 np.allclose(x, np.real(np.fft.ifft(np.fft.fft(x)).astype(np.float32))) 失败。
稳妥做法：
- 全程使用
complex64：输入先转x.astype(np.complex64)，再调用np.fft.fft(x, dtype=np.complex64)（需 NumPy ≥ 1.22） - 验证逆变换保真度时，用
np.allclose(x, np.real(np.fft.ifft(np.fft.fft(x))), atol=1e-6)，而非强制类型转换 - 注意
np.fft.fftfreq返回的是float64，与complex64频谱搭配时，索引或插值需统一精度，否则隐式转换可能拖慢速度
复数运算的坑不在语法，而在隐式类型转换、数学定义差异和底层实现细节。哪怕一行 np.array 调用，漏掉 dtype 就会让后续所有向量化操作静默退化到慢速 Python 循环。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
