4. 整数溢出与大数计算异常

在Python中处理数值计算时，“溢出”这个词的含义与C、Java等语言完全不同。Python的int是任意精度整数，理论上只要内存足够，它就能表示任意大的整数，不存在传统意义上的整数溢出。但这并不意味着Python里没有数值异常——问题往往出现在两个地方：一是与定长整数的外部世界（如numpy、C扩展、二进制协议）交互时；二是大数运算带来的性能与精度陷阱。本节围绕这两条主线展开。

一、Python整数的任意精度特性

Python 3中的int采用变长表示，内部由若干个30位（64位平台上）的“数字位”组成，超出部分自动扩展。因此下面这段代码不会溢出，而是正常输出一个巨大的数：

a = 2 ** 100
print(a)          # 1267650600228229401496703205376
print(a.bit_length())  # 101
b = a * a
print(b.bit_length())  # 201

这说明Python整数在算术运算中会自动“升级”精度。真正需要警惕的是隐式转换：当Python整数被传入numpy数组、struct.pack、ctypes或数据库整型字段时，它会被强制塞进固定位宽，超出范围就会截断或报错。诊断这类问题的第一步，是判断“溢出发生在哪一层”。

二、numpy定长整数溢出诊断

numpy的整数类型（int8/16/32/64、uint8/16/32/64）是定长的，运算结果按模2^n回绕，且默认不报错。这是最隐蔽的异常来源。看一个典型例子：

import numpy as np
x = np.int8(120)
y = np.int8(10)
print(x + y)        # -126，发生回绕
print(np.int8(127) + np.int8(1))  # -128

120+10本应是130，但int8上限是127，结果回绕为-126。更危险的是，这种错误不会抛异常，会静默污染后续计算。诊断时可采用以下手段：

• 显式检查边界：用np.iinfo(np.int8)查看min/max，在关键运算前断言输入范围。
• 提升计算精度：在求和、累加、乘法前用.astype(np.int64)或dtype=np.int64声明，避免中间结果溢出。
• 启用溢出告警：np.seterr(over='raise')可让浮点溢出抛错，但整数回绕不受此控制，需靠np.errstate配合手动检查。
• 对比验证：用Python原生int重算同一表达式，与numpy结果比对，不一致即定位到溢出点。

三、大数运算的性能与正确性排查

Python大整数虽然正确，但代价是性能。位数越多，乘除法复杂度越高（CPython对大数乘法采用Karatsuba等算法），一次10**100000的幂运算可能耗时明显。常见性能陷阱包括：在循环中反复做大数幂、用大整数做哈希键、把大数转成字符串打印等。

正确性方面，大数运算本身不会溢出，但要注意：float转换会丢精度（超过2^53的整数转float不再精确）；math.factorial结果巨大但正确；而decimal模块适合需要固定精度小数的场景。排查时可用sys.getsizeof()观察整数对象大小，用timeit对比不同实现，用decimal.Decimal或fractions.Fraction做精确对照。

四、一个可复现的排查示例

假设一段图像处理代码统计像素亮度总和，结果出现负数。排查过程如下：像素数组为uint8，np.sum(arr)在旧版numpy中累加器也是uint8，总和超过255即回绕。修复方式是np.sum(arr, dtype=np.int64)。验证时用int(arr.astype(np.int64).sum())与Python原生sum(map(int, arr.flatten()))对比，两者一致即确认修复。这个例子说明：溢出诊断的关键不是怀疑Python，而是检查数据在哪个边界被“降级”成了定长类型。

总结本节要点：Python整数本身安全，风险来自与定长类型的交界处；numpy溢出静默且需主动检查边界与提升精度；大数运算要权衡性能，并用精确类型做正确性对照。掌握“先定位层级、再选对策、最后对照验证”的思路，就能系统排查绝大多数整数与大数计算异常。