NumPy基础知识（一）

NumPy基础知识（一）

• 数据类型
  • 数组类型和类型之间的转换
  • 数组标量
  • 溢出错误
  • 扩展精度
• 数组创建
• 使用NumPy进行I / O
• 索引编制
• 广播
• 字节交换
• 结构化数组
• 编写自定义数组容器
• 子数组ndarray

数组类型和类型之间的转换

NumPy比Python支持更多的数字类型。本节显示哪些可用，以及如何修改数组的数据类型。

支持的基本类型与C中的紧密相关：

Numpy型	C型	描述
np.bool_	bool	布尔值（True或False）存储为字节
np.byte	signed char	平台定义
np.ubyte	unsigned char	平台定义
np.short	short	平台定义
np.ushort	unsigned short	平台定义
np.intc	int	平台定义
np.uintc	unsigned int	平台定义
np.int_	long	平台定义
np.uint	unsigned long	平台定义
np.longlong	long long	平台定义
np.ulonglong	unsigned long long	平台定义
np.half / np.float16		半精度浮点数：符号位，5位指数，10位尾数
np.single	float	平台定义的单精度浮点数：通常为符号位，8位指数，23位尾数
np.double	double	平台定义的双精度浮点数：通常为符号位，11位指数，52位尾数。
np.longdouble	long double	平台定义的扩展精度浮点数
np.csingle	float complex	复数，由两个单精度浮点数表示（实部和虚部）
np.cdouble	double complex	复数，由两个双精度浮点数（实部和虚部）表示。
np.clongdouble	long double complex	复数，由两个扩展精度浮点数（实部和虚部）表示。

由于其中许多具有平台相关的定义，因此提供了一组固定大小的别名：

脾气暴躁型	C型	描述
np.int8	int8_t	字节（-128至127）
np.int16	int16_t	整数（-32768至32767）
np.int32	int32_t	整数（-2147483648至2147483647）
np.int64	int64_t	整数（-9223372036854775808至9223372036854775807）
np.uint8	uint8_t	无符号整数（0到255）
np.uint16	uint16_t	无符号整数（0到65535）
np.uint32	uint32_t	无符号整数（0到4294967295）
np.uint64	uint64_t	无符号整数（0至18446744073709551615）
np.intp	intptr_t	用于索引的整数，通常与 ssize_t
np.uintp	uintptr_t	足够大以容纳指针的整数
np.float32	float
np.float64 / np.float_	double	请注意，这与内置python float的精度匹配。
np.complex64	float complex	复数，由两个32位浮点数表示（实部和虚部）
np.complex128 / np.complex_	double complex	请注意，这与内置python complex的精度匹配。

NumPy数值类型是dtype（数据类型）对象的实例，每个对象都有独特的特征。导入NumPy后，请使用

>>>

>>> import numpy as np

在dtypes可作为np.bool_，np.float32等等。

上表中未列出的高级类型在“结构化数组”部分中进行了探讨。

有5种基本的数值类型，分别代表布尔（布尔），整数（int），无符号整数（uint）浮点（float）和复数。名称中带有数字的数字表示该类型的位大小（即，需要多少位来表示内存中的单个值）。某些类型（例如int和 intp）具有不同的位大小，具体取决于平台（例如32位与64位计算机）。当与寻址原始内存的低级代码（例如C或Fortran）接口时，应考虑到这一点。

数据类型可以用作将python数字转换为数组标量的函数（有关说明，请参见数组标量部分），可以将python数字序列转换为该类型的数组，也可以用作许多numpy函数或方法接受的dtype关键字的参数。一些例子：

>>>

>>> import numpy as np
>>> x = np.float32(1.0)
>>> x
1.0
>>> y = np.int_([1,2,4])
>>> y
array([1, 2, 4])
>>> z = np.arange(3, dtype=np.uint8)
>>> z
array([0, 1, 2], dtype=uint8)

数组类型也可以用字符代码来引用，主要是为了保持与诸如Numeric之类的较早软件包的向后兼容性。一些文档可能仍引用这些文档，例如：

>>>

>>> np.array([1, 2, 3], dtype='f')
array([ 1.,  2.,  3.], dtype=float32)

我们建议改为使用dtype对象。

要转换数组的类型，请使用.astype（）方法（首选）或将类型本身用作函数。例如：

>>>

>>> z.astype(float)                 
array([  0.,  1.,  2.])
>>> np.int8(z)
array([0, 1, 2], dtype=int8)

请注意，上面我们将Python float对象用作dtype。NumPy的人都知道int是指np.int_，bool手段np.bool_，那float是np.float_和complex是np.complex_。其他数据类型没有Python等效项。

要确定数组的类型，请查看dtype属性：

>>>

>>> z.dtype
dtype('uint8')

dtype对象还包含有关类型的信息，例如其位宽和字节顺序。数据类型也可以间接用于查询该类型的属性，例如是否为整数：

>>>

>>> d = np.dtype(int)
>>> d
dtype('int32')

>>> np.issubdtype(d, np.integer)
True

>>> np.issubdtype(d, np.floating)
False

数组标量

NumPy通常以数组标量（具有关联的dtype的标量）的形式返回数组的元素。数组标量与Python标量不同，但是它们在大多数情况下可以互换使用（主要的例外是v2.x之前的Python版本，其中整数数组标量不能用作列表和元组的索引）。有一些例外，例如，当代码需要标量的非常特定的属性时，或者当代码专门检查值是否为Python标量时。通常，存在的问题很容易被显式转换阵列标量到Python标量，采用相应的Python类型功能固定的（例如，int，float，complex，str，unicode）。

使用数组标量的主要优点是它们保留了数组类型（Python可能没有可用的匹配标量类型，例如int16）。因此，使用数组标量可以确保数组和标量之间的行为相同，而不管该值是否在数组内部。NumPy标量也具有许多与数组相同的方法。

溢出错误

当值需要的数据量大于数据类型中可用的内存量时，NumPy数值类型的固定大小可能会导致溢出错误。例如， 正确numpy.power评估64位整数，但给出32749整数的1874919424（不正确）。100 * 10 ** 8

>>>

>>> np.power(100, 8, dtype=np.int64)
10000000000000000
>>> np.power(100, 8, dtype=np.int32)
1874919424

NumPy和Python整数类型的行为对于整数溢出有显着不同，并且可能会使期望NumPy整数的行为类似于Python的用户感到困惑int。与NumPy不同，Python的大小int很灵活。这意味着Python整数可以扩展以容纳任何整数，并且不会溢出。

NumPy提供numpy.iinfo并numpy.finfo分别验证NumPy整数和浮点值的最小值或最大值

>>>

>>> np.iinfo(int) # Bounds of the default integer on this system.
iinfo(min=-9223372036854775808, max=9223372036854775807, dtype=int64)
>>> np.iinfo(np.int32) # Bounds of a 32-bit integer
iinfo(min=-2147483648, max=2147483647, dtype=int32)
>>> np.iinfo(np.int64) # Bounds of a 64-bit integer
iinfo(min=-9223372036854775808, max=9223372036854775807, dtype=int64)

如果64位整数仍然太小，则结果可能会强制转换为浮点数。浮点数提供了更大但不精确的可能值范围。

>>>

>>> np.power(100, 100, dtype=np.int64) # Incorrect even with 64-bit int
0
>>> np.power(100, 100, dtype=np.float64)
1e+200

扩展精度

Python的浮点数通常是64位浮点数，几乎等同于np.float64。在某些特殊情况下，使用精度更高的浮点数可能会很有用。是否可以在numpy中实现取决于硬件和开发环境：具体来说，x86机器提供具有80位精度的硬件浮点，而大多数C编译器将其作为类型提供 ，MSVC（Windows构建的标准）使得 等同于（64位）。NumPy使编译器可用于（以及 用于复数）。您可以找到numpy提供的功能。long doublelong doubledoublelong doublenp.longdoublenp.clongdoublenp.finfo(np.longdouble)

NumPy不提供比C精度更高的dtype ；特别是128位IEEE四精度数据类型（FORTRAN's ）不可用。long doubleREAL*16

为了有效地进行内存对齐，np.longdouble通常使用零位填充存储到96或128位。哪个更有效取决于硬件和开发环境；通常在32位系统上，它们被填充为96位，而在64位系统上，它们通常被填充为128位。np.longdouble被填充为系统默认值；np.float96并np.float128为需要特定填充的用户提供。尽管名字，np.float96并且 np.float128只有尽可能精确提供np.longdouble，即在标准的Windows上的大多数x86机器80位和64位版本。

请注意，即使np.longdouble提供比python更高的精度float，也容易失去这种额外的精度，因为python经常会强制值通过float。例如，%格式化操作符要求将其参数转换为标准python类型，因此即使请求了许多小数位，也无法保持扩展的精度。使用value测试代码可能很有用 。1 + np.finfo(np.longdouble).eps