另一種看待差異的方法是詢問這兩種對象有什麼方法。
在Ipython中，我可以使用tab complete檢視方法：In [1277]: x=123; y=np.int32(123)
int方法和屬性：In [1278]: x.
x.bit_length x.denominator x.imag x.numerator x.to_bytes
x.conjugate x.from_bytes x.real
int“運算符”In [1278]: x.__
x.__abs__ x.__init__ x.__rlshift__
x.__add__ x.__int__ x.__rmod__
x.__and__ x.__invert__ x.__rmul__
x.__bool__ x.__le__ x.__ror__
...
x.__gt__ x.__reduce_ex__ x.__xor__
x.__hash__ x.__repr__
x.__index__ x.__rfloordiv__
np.int32方法和屬性（或屬性）。有些是相同的，但更多的是，基本上所有的：In [1278]: y.
y.T y.denominator y.ndim y.size
y.all y.diagonal y.newbyteorder y.sort
y.any y.dtype y.nonzero y.squeeze
...
y.cumsum y.min y.setflags
y.data y.nbytes y.shape
y.__方法看起來很像int方法。他們可以做同樣的數學題。In [1278]: y.__
y.__abs__ y.__getitem__ y.__reduce_ex__
y.__add__ y.__gt__ y.__repr__
...
y.__format__ y.__rand__ y.__subclasshook__
y.__ge__ y.__rdivmod__ y.__truediv__
y.__getattribute__ y.__reduce__ y.__xor__
y在許多方面與0d數組相同。不一樣，但很接近。In [1281]: z=np.array(123,dtype=np.int32)
np.int32是我為該類型的數組編制索引時得到的結果：In [1300]: A=np.array([0,123,3])
In [1301]: A[1]
Out[1301]: 123
In [1302]: type(A[1])
Out[1302]: numpy.int32
我必須使用item來删除所有numpy包裝。In [1303]: type(A[1].item())
Out[1303]: int
作為numpy使用者，np.int32是具有numpy包裝的int。或者相反地，一個ndarray的單一進制素。通常，我不注意A[0]是給我“原生的”int還是numpy等價物。與一些新使用者不同的是，我很少使用np.int32(123)；而是使用np.array(123)。A = np.array([1,123,0], np.int32)
不包含3np.int32對象。相反，它的資料緩沖區是3*4=12位元組長。是數組開銷将其解釋為1d中的3個整數。并且view向我展示了具有不同解釋的同一個資料緩沖：In [1307]: A.view(np.int16)
Out[1307]: array([ 1, 0, 123, 0, 0, 0], dtype=int16)
In [1310]: A.view('S4')
Out[1310]: array([b'\x01', b'{', b''], dtype='|S4')
隻有當我索引一個元素時，我才能得到一個np.int32對象。
清單L=[1, 123, 0]是不同的；它是指向記憶體中其他位置的int對象的指針清單。對于dtype=object數組也是如此。