NumPy nanquantile 调换行顺序后，结果为什么变成 float32

同一份 float32 数据，只把行顺序倒过来，np.nanquantile() 的输出却从 float64 变成 float32；除了 NaN 所在行，其他有效行的结果也随之舍入。这种差异可能没有异常提示，不能只用“程序没报错”判断计算正常。

这条路径在 NumPy 2.4.6、2.5.3 中有明确记录，2.5.4 的相关正式实现仍保留相同分支。关键条件是沿指定轴处理多个切片、q 是数组，以及第一个参与处理的一维切片全是 NaN。

第一个切片影响了输出分配

普通切片会进入分位数计算；全 NaN 切片则走另一条分支，用输入切片的 dtype 创建一个全 NaN 结果。外层使用 apply_along_axis() 组合各切片结果时，会按第一个结果决定输出数组的类型。

若第一个切片恰好全 NaN，输出可能被分配成 float32。后续有效切片即使算出 float64 结果，写进这个输出时也会被转换。改变切片顺序，便可能改变整份结果的 dtype 与舍入。

下面仅用于说明触发条件，预期比较的是两次调用的 dtype，而不是把交换顺序当成修复：

import numpy as np

a = np.array([[1.0, 2.0], [np.nan, np.nan]], dtype=np.float32)
q = np.array([0.3])

forward = np.nanquantile(a, q, axis=1)
reversed_rows = np.nanquantile(a[::-1], q, axis=1)

在上述受影响路径中，forward 可以是 float64，而 reversed_rows 成为 float32。这里“第一个”由实际 axis 和切片遍历决定，不一定就是业务界面显示的第一行。多维影像或批次数据需要先对照维度含义。

计算前明确采用 float64

若统计流程要求双精度输出，可以在调用前把工作输入转换为 float64，使全 NaN 分支与正常切片都建立在相同的输入精度上：

work = np.asarray(a, dtype=np.float64)
result = np.nanquantile(work, q, axis=1)

work 是用于这次计算的工作数组，原来的 a 仍可保留。大型数据需要评估额外存储和已有分块策略，不能不看内存预算就把整个数据集复制一遍。

在已经得到 float32 结果后，再调用 result.astype(np.float64)，只能换成较宽的容器，不能恢复之前已经舍掉的低位。需要精度时，转换要发生在计算之前。

也不要因为普通 np.quantile() 返回了期望 dtype 就直接替换。它与 nanquantile() 对 NaN 的处理含义不同。把 NaN 填成零、删除全 NaN 行或重排数据，同样可能改变统计对象、坐标对应或缺失值含义。

把顺序不变性写进验收

保存原数据类型、axis、q 的形状与类型、method 和缺失值分布。在隔离数据中分别安排全 NaN 切片位于首个位置与其他位置，计算后把顺序还原，再比较对应有效切片的结果与 dtype。允许的数值误差应来自项目的统计要求，不能只依赖打印出来的小数位。

全 NaN 切片按约定得到 NaN，以及可能出现的相关警告，是另一项需要明确的业务行为。不要为了让验收安静而全局关闭警告；单独记录缺失切片，并确认坐标、掩码与输出轴的位置没有变化。

截至 2026 年 10 月 22 日，不能仅凭问题记录被关闭，就认定某个正式发行版已经修复。后续升级仍需核对具体实现，并用同一组顺序对照样本复查。

回退工作数组的精度调整前，保留原计算参数与结果记录。已经进入后续分析或落库的低精度结果，需要按任务标识确定重算范围，不能只恢复代码就把旧结果视为重新计算过。