这是发出相同警告的示例：

import numpy as np
np.seterr(all='warn')
A = np.array([10])
a=A[-1]
a**a

产量

RuntimeWarning: overflow encountered in long_scalars

在上面的示例中，它的发生是因为的类型a是dtype int32，并且在an中可存储的最大值int32是2 ** 31-1。由于10**10 > 2**32-1，求幂导致的数字大于可以存储在int32。

请注意，您不能依赖于np.seterr(all='warn')在numpy中捕获所有溢出错误。例如，在32位NumPy上

>>> np.multiply.reduce(np.arange(21)+1)
-1195114496

在64位NumPy上：

>>> np.multiply.reduce(np.arange(21)+1)
-4249290049419214848

两者都失败，没有任何警告，尽管这也是由于溢出错误引起的。正确的答案是21！等于

In [47]: import math

In [48]: math.factorial(21)
Out[50]: 51090942171709440000L

根据Numpy开发人员Robert
Kern所说，

与真正的浮点错误（硬件FPU在执行溢出的原子操作时会设置标志）不同，我们需要自己实现整数溢出检测。我们在标量上执行此操作，但不在数组上执行，因为对于数组上的每个原子操作而言，实现它都太慢了。

因此，选择合适的负担是您的重担，dtypes这样就不会出现任何操作溢出的情况。