2-02-1 NumPy 数据类型

NumPy 数据类型

NumPy 支持的数据类型比 Python 内置的类型要多，下表列举了常用 NumPy 基本类型。

表 2.2.1 NumPy 支持的数据类型

名称	描述
bool	布尔型数据类型（True 或者 False）
int	默认的整数类型（类似于 C 语言中的 long，int32 或 int64）
int8	字节（-128 to 127）
int16	整数（-32768 to 32767）
int32	整数（-2147483648 to 2147483647）
int64	整数（-9223372036854775808 to 9223372036854775807）
uint8	无符号整数（0 to 255）
uint16	无符号整数（0 to 65535）
uint32	无符号整数（0 to 4294967295）
uint64	无符号整数（0 to 18446744073709551615）
float	float64 类型的简写
float16	半精度浮点数，包括：1 个符号位，5 个指数位，10 个尾数位
float32	单精度浮点数，包括：1 个符号位，8 个指数位，23 个尾数位
float64	双精度浮点数，包括：1 个符号位，11 个指数位，52 个尾数位
complex	complex128 类型的简写，即 128 位复数
complex64	复数，表示双 32 位浮点数（实数部分和虚数部分）
complex128	复数，表示双 64 位浮点数（实数部分和虚数部分）

NumPy ndarray对象
NumPy 内包含一个常用的对象 ndarray (N-dimension array)，也是存储和变换数据的主要⼯具，特点是具有 N 维数组，是一系列同类型数据的集合，以 0 为下标索引。ndarray 具有以下特性：

• 是用于存放同类型元素的多维数组。
• 每个元素在内存中都有相同存储大小的区域。

NumPy 数组 (array) 的维度 (dimesions) 称为秩（rank），秩就是轴（axis）的数量，即数组的维度，一维数组的秩为 1，二维数组的秩为 2，以此类推。

在 NumPy中，每一个线性的数组称为是一个轴，也就是一个维度。比如说，二维数组相当于是两个一维数组，其中第一个一维数组中每个元素又是一个一维数组。所以一维数组就是 NumPy 中的轴（axis），第一个轴相当于是底层数组，第二个轴是底层数组里的数组。而轴的数量——秩，就是数组的维数。行为水平的，如同平面坐标的 Y 轴，列为垂直的，如同平面坐标的 X 轴。

NumPy 的数组中比较重要 ndarray 对象属性有：

属性	说明
ndarray.ndim	秩，即轴的数量或维度的数量
ndarray.shape	数组的维度，对于矩阵，n 行 m 列
ndarray.size	数组元素的总个数，相当于 shape 中 n*m 的值
ndarray.dtype	ndarray 对象的元素类型
ndarray.itemsize	ndarray 对象中每个元素的大小，以字节为单位
ndarray.flags	ndarray 对象的内存信息
ndarray.real	ndarray元素的实部
ndarray.imag	ndarray 元素的虚部
ndarray.data	包含实际数组元素的缓冲区，由于一般通过数组的索引获取元素，所以通常不需要使用这个属性。

我门透过以下例子来说明说明轴、维度与秩的关系，底下我们建立一个二维数组，大小为 3 * 2 ( 3 行，2 列)，而所谓的 轴 0，就是针对每一行进行操作，轴 1 ，就是针对每一列进行操作，比较简单的判断方法就是 shape 的第 1 的数就是 axis 0，第 2 的数就是 axis 1。

1	2
3	4
5	6

实例

import numpy as np 
# 创建一个 3*2 的数组
a = np.array([[1, 2],  [3, 4], [5, 6]])
a
# 显示 ndarray 的形状
a.shape
# 显示 ndarray 轴的数量或维度的数量
a.ndim
# 对 轴 0 进行加总
a.sum(axis=0)
# 对 轴 1 进行加总
a.sum(axis=1)

运行结果如下图所示， ndarray.shape 中的呈现方式是 行 * 列。

圖 2-2-1 ndarray的基本操作