在NumPy中，用于选择类似操作的输出
a_range ** sdtype的逻辑基于dtype，而不是值。这意味着
a_range **-2必须具有与相同的输出dtype
a_range ** 2。
numpy.array([2]) ** 2给出整数输出之类的东西很重要，这意味着
numpy.array([2]) **-2必须给出整数或什么都不给出。他们什么也没捡。将整数提高为负整数幂是NumPy中的错误。
如果要浮点输出，请进行浮点输入：
a_range = np.arange(2, n + 1, dtype=float)
要么
a_range = np.arange(2, n + 1).astype(float)
从上面的描述中可能不会想到NumPy的类型规则的一些奇怪方面。一种是对于涉及标量和数组的操作，在使用输入dtypes选择结果dtype之前，实际上可以根据标量的dtype将其dtype降级：
>>> (numpy.array([1], dtype='int8') + numpy.int32(1)).dtypedtype('int8')>>> (numpy.array([1], dtype='int8') + numpy.array([1], dtype='int32')).dtypedtype('int32')在这里，标量
numpy.int32(1)被“降级”到int8，但数组不会降级。（实际上，这不仅比降级为int8还复杂，尤其是对于有符号/无符号处理；有关详细信息，请参见实现。）
其次，当涉及到uint64s时，NumPy突然看起来可以接受负指数：
>>> numpy.arange(5, dtype='uint64') ** -2__main__:1: RuntimeWarning: divide by zero encountered in powerarray([ inf, 1. , 0.25 , 0.11111111, 0.0625 ])
这是因为NumPy无法找到足够大的整数dtype来容纳uint64值和负值，因此它放弃并将输入强制为浮点数。只要避免使用标量类型“降级”，对于带符号dtype的正指数，可以看到相同的结果：
>>> numpy.arange(5, dtype='uint64') ** numpy.array([2], dtype='int32')array([ 0., 1., 4., 9., 16.])
