在Python NumPy 2.0中如何适配弃用的np.bool和np.int别名？

NumPy 2.0 彻底移除 np.bool 和平台相关别名（如 np.int、np.float），需改用 bool 或 np.bool_ 及明确位宽类型（如 np.int64、np.float32）；字符串 dtype 应使用标准码（如 '?'、'i8'）；类型注解推荐 bool、int 或 np.int64，避免歧义。

np.bool 已被移除，直接用 bool 或 np.bool_

NumPy 2.0 彻底删除了 np.bool（它是 Python 内置 bool 的别名，且长期被标记为弃用）。代码里写 np.bool 会触发 NameError: name 'np.bool' is not defined。

正确做法是：

• 类型声明、dtype 参数中，统一改用 Python 原生 bool（推荐）或 np.bool_（NumPy 显式布尔类型）
• np.array([1, 0], dtype=np.bool) → 改成 np.array([1, 0], dtype=bool) 或 np.array([1, 0], dtype=np.bool_)
• 函数返回类型注解中，用 bool 而非 np.bool；若需强调 NumPy 语义，可用 np.bool_

注意：np.bool_ 是标量类型（如 np.bool_(True)），而 bool 是 Python 类型；在数组 dtype 中二者等价，但 np.bool_ 更明确表示“NumPy 布尔”，避免和 Python 标量混淆。

np.int 等平台相关别名全部失效，必须指定具体位宽

np.int、np.float、np.complex 这些模糊别名在 NumPy 2.0 中完全移除。它们曾依赖 C 编译器平台定义（比如 np.int 在 Windows 是 32 位，在 Linux x86_64 是 64 位），导致跨平台行为不一致。

适配方式：

• 所有 dtype 使用场景，必须显式写出带位宽的类型，例如：np.int64、np.int32、np.float32、np.complex128
• np.array([1, 2], dtype=np.int) → 必须改为 np.array([1, 2], dtype=np.int64)（或根据实际需求选 np.int32）
• 函数参数注解或类型提示中，避免 np.int，改用 int（Python）、np.int64 或 np.integer（后者是抽象基类，适合泛型约束）

常见误判：有人以为 np.int_ 是替代方案 —— 它只是 np.int64 的别名（在多数平台上），但不是标准替代项，且仍受平台影响；应直接选用明确位宽的类型。

立即学习“Python免费学习笔记（深入）”；

检查 dtype 字符串和字符串别名是否兼容

字符串形式的 dtype（如 'i'、'b'、'f8'）本身未被弃用，但部分旧字符串别名（如 'bool'、'int'）在 NumPy 2.0 中不再映射到平台相关类型，而是严格按标准解析或报错。

稳妥做法：

• 用标准字符码：'?' 表示布尔，'i4'/'i8' 表示 int32/int64，'f4'/'f8' 表示 float32/float64
• 避免 'int'、'bool' 这类无位宽字符串；np.dtype('int') 会报 TypeError
• 已有代码中用 np.dtype('i') 的，它默认对应平台 np.int_，但 NumPy 2.0 中该行为已取消 —— 推荐显式写成 np.dtype('i8') 或 np.dtype(np.int64)

字符串别名的隐含性容易掩盖精度问题，尤其在科学计算或序列化场景下，位宽不明确可能导致数据截断或内存浪费。

自动化迁移工具和静态检查建议

手动全局替换风险高，尤其当项目混用 np.bool（类型）和 np.bool_（标量）时，容易误替。

可借助：

• pylint + numpy-plugin：能捕获 np.bool、np.int 等非法引用
• pyright 或 mypy 配合 numpy-stubs>=2.0：类型检查阶段报出 dtype 不匹配
• 正则替换慎用：np.bool → bool（仅限 dtype 上下文）；但 np.bool_(...) 必须保留，不能改成 bool(...)（后者生成 Python 标量，行为不同）

最易忽略的是：某些老代码把 np.bool 当作函数调用（如 np.bool(x)），这在 NumPy 2.0 中必须改为 bool(x) 或 np.bool_(x)，二者语义不同 —— 前者返回 Python bool，后者返回 NumPy 标量，会影响后续向量化操作。