在 NumPy 的日常使用中，平方运算几乎无处不在：计算距离、构造协方差矩阵、做特征缩放等场景都会频繁遇到。Python 原生提供了 ** 运算符，而 NumPy 又提供了 np.power() 这个通用幂函数，表面上看两者都可以完成平方操作，但实际行为却可能因为数组类型不同而产生巨大差异。本文将通过具体代码和原理分析，深入对比 ** 与 np.power() 在平方运算中的表现。
基础用法与返回类型差异
对于最常见的 np.ndarray 数组，** 运算符和 np.power() 函数在功能上是等价的。它们都会对数组中的每个元素独立执行平方运算，返回一个新的数组。例如对一个一维数组 [1, 2, 3] 做平方，两种方式得到的结果完全一致，而且返回数组的 dtype 也遵循相同的类型提升规则。
真正明显的区别出现在标量场景中。如果你直接对 Python 整数使用 **，例如 2 ** 2，得到的是 Python 原生的 int 类型；而如果调用 np.power(2, 2)，返回的则是 NumPy 标量类型 numpy.int64 或平台对应的整数标量。这个差异在大多数计算中不会造成问题，但在进行类型判断、序列化或者与 Python 标准库交互时，却可能带来意料之外的麻烦。类似地，对于 Python 列表，** 运算符会直接抛出 TypeError，而 np.power() 会先把列表转换为数组再执行运算，这种自动转换行为可以简化某些临时计算，但也可能掩盖类型不一致的问题。
此外，np.power() 作为通用函数，支持 out、where、dtype 等参数，允许开发者在不创建新数组的情况下把结果写入已有内存，或者只对满足条件的部分元素进行计算。而 ** 运算符完全没有这些扩展能力，它只能返回一个新对象。因此，在需要精细控制内存或计算范围的高性能代码中，np.power() 通常更受青睐。
np.matrix 中的关键行为差异
平方运算中最容易踩坑的地方在于 np.matrix 类型。np.matrix 是 NumPy 中专门为线性代数设计的二维矩阵类，它重载了 ** 运算符，将其语义从逐元素幂运算改成了矩阵幂运算。也就是说，对于一个矩阵 m，m ** 2 实际上执行的是 m @ m 的矩阵乘法，而不是每个元素的平方。
这一点与 np.power() 形成鲜明对比。np.power(m, 2) 无论操作对象是 np.ndarray 还是 np.matrix，都严格执行逐元素运算，即只把矩阵中的每个标量分别平方。假设有一个矩阵 [[1, 2], [3, 4]]，m ** 2 的结果是矩阵乘法后的 [[7, 10], [15, 22]]，而 np.power(m, 2) 的结果却是 [[1, 4], [9, 16]]。这两种结果在数值上完全不同，如果在图像处理或网络权重更新等场景中不小心混用，极可能产生难以追踪的错误。
这种差异的根源在于 np.matrix 对 Python 运算符的刻意重载，其目的是保持与 MATLAB 等线性代数工具的操作习惯一致。然而正是这种便利性带来了语义模糊：同一个平方表达式，在不同的 NumPy 对象上居然代表完全不同的数学操作。因此，当代码中既可能出现 np.matrix 又可能出现 np.ndarray 时，建议优先使用 np.power() 或者更明确的 np.square() 来执行逐元素平方，避免依赖 ** 运算符的隐式行为。
底层 ufunc 机制与类型控制
从底层实现来看，** 运算符作用于 NumPy 数组时，最终会调用数组对象的 __pow__ 方法，而这个方法内部又把请求转发给了 NumPy 的通用函数机制。换句话说，arr ** 2 和 np.power(arr, 2) 在计算引擎层面是同源的，这也是为什么它们在 ndarray 上结果完全一致。值得注意的是，NumPy 还提供了一个专门的平方函数 np.square()，它等价于 np.power(arr, 2)，但通常会有更紧凑的内部优化，因此在大数组场景下可以优先考虑使用。
类型控制是 np.power() 的一个明显优势。对于整数类型的数组，例如 np.int8 数组，如果用 ** 做平方，结果会被限制在 int8 的表示范围内，一旦超过 127 就会发生溢出。比如 np.int8(100) ** 2 的结果并不是 10000，而是一个由于溢出产生的奇怪负数或截断值。与之相对，np.power() 允许通过 dtype 参数显式指定输出类型，这样即使输入是 int8，也可以把平方结果安全地存入 int32 或 float64 数组中，从而避免溢出问题。
import numpy as np arr_int8 = np.array([100], dtype=np.int8) # 使用 ** 运算符，结果会溢出 print(arr_int8 ** 2) # 输出可能不是 10000 # 使用 np.power 并通过 dtype 避免溢出 print(np.power(arr_int8, 2, dtype=np.int32)) # 输出 [10000]
需要特别说明的是，这种类型溢出并不是 ** 独有的缺陷，如果直接调用 np.power(arr_int8, 2) 而不指定 dtype，同样会发生溢出。真正让 np.power() 胜出的，是它提供了显式的类型控制入口。在涉及小整数类型或者大数值运算时，这一点可以显著提升代码的健壮性。
性能对比与工程实践建议
从执行效率来看，arr ** 2 和 np.power(arr, 2) 的性能差异通常可以忽略不计，因为两者最终都进入了相同的底层循环。不过，由于 np.power() 需要多一次 Python 函数调用和参数解析，在极小的数组上可能会有微弱的额外开销。对于百万级以上的大数组，这种开销被平摊后完全可以忽略，真正的性能瓶颈在于内存分配和 CPU 计算，而不是调用方式。
在实际工程中，如果只是对 ndarray 做逐元素平方，使用 ** 会让代码更简洁，这也是 Python 数据科学习惯中的常见写法。但一旦代码库中可能混入 np.matrix，或者需要对输出类型、内存缓冲区进行精细控制，就应该果断切换到 np.power() 或 np.square()。一个比较稳妥的实践是：在数据处理流水线中统一使用 ndarray，完全避免 np.matrix；如果必须处理矩阵，则把逐元素平方明确写成 np.square()，而把矩阵幂写成 m @ m 或 np.linalg.matrix_power(m, 2)，这样代码意图一目了然。
总结来说，** 与 np.power() 在普通 ndarray 的平方运算中几乎没有行为差异，差异主要来自 np.matrix 对 ** 运算符的重载，以及 np.power() 提供的类型控制能力。理解这两点之后，开发者就能在平方运算的多种实现方式之间做出更安全、更高效的选择。