02.Numpy数据类型

NumPy_dtype

NumPy 支持比 Python更多种类的数值类型。 下表显示了 NumPy 中定义的不同标量数据类型。

序号	数据类型及描述
bool	存储为一个字节的布尔值(真或假)
int	默认整数，相当于 C 的long，通常为int32或int64
intc	相当于 C 的int，通常为int32或int64
intp	intp用于索引的整数，相当于 C 的size_t，通常为int32或int64
int8	8字节(-128 ~ 127)
int16	16 位整数(-32768 ~ 32767)
int32	32 位整数(-2147483648 ~ 2147483647)
int64	64 位整数(-9223372036854775808 ~ 9223372036854775807)
uint8	8 位无符号整数(0 ~ 255)
uint16	16 位无符号整数(0 ~ 65535)
uint32	32 位无符号整数(0 ~ 4294967295)
uint64	64 位无符号整数(0 ~ 18446744073709551615)
float	float64的简写
float16	float16半精度浮点：符号位，5 位指数，10 位尾数
float32	float32单精度浮点：符号位，8 位指数，23 位尾数
float64	float64双精度浮点：符号位，11 位指数，52 位尾数
complex	complex_complex128的简写
complex64	complex64复数，由两个 32 位浮点表示(实部和虚部)
complex128	complex128复数，由两个 64 位浮点表示(实部和虚部)

NumPy 数字类型是 dtype (数据类型)对象的实例，每个对象具有唯一的特征。 这些类型可以是np.bool_ ，np.float32 等。

数据类型对象 (dtype)

数据类型对象描述了对应于数组的固定内存块的解释，取决于以下方面：

• 数据类型(整数、浮点或者 Python 对象)
• 数据大小
• 字节序(小端或大端)
• 在结构化类型的情况下，字段的名称，每个字段的数据类型，和每个字段占用的内存块部分。
• 如果数据类型是子序列，它的形状和数据类型。

字节顺序取决于数据类型的前缀 < 或 > 。< 意味着编码是小端(最小有效字节存储在最小地址中)。> 意味着编码是大端(最大有效字节存储在最小地址中)。

dtype可由一下语法构造：

numpy.dtype(object, align, copy)

参数为：

• Object: 被转换为数据类型的对象。
• Align: 如果为true，则向字段添加间隔，使其类似 C的结构体。
• Copy: 生成dtype对象的新副本，如果为flase，结果是内建数据类型对象的引用。

示例 1

>>> import numpy as np
>>> dt = np.dtype(np.int32)
>>> dt
dtype('int32')
>>> dt = np.dtype('i4')
>>> dt
dtype('int32')
>>> dt = np.dtype('>i4')
>>> dt
dtype('>i4')

下面的例子展示了结构化数据类型的使用。 这里声明了字段名称和相应的标量数据类型。

示例 2

>>> import numpy as np
>>> dt = np.dtype([('age', np.int8)])
>>> dt
dtype([('age', 'i1')])
>>> a = np.array([(10,), (20, ), (30, )], dtype=dt)
>>> a
array([(10,), (20,), (30,)], dtype=[('age', 'i1')])
>>> student = np.dtype([('name','S20'),  ('age',  'i1'),  ('marks',  'f4')])
>>> student
dtype([('name', 'S20'), ('age', 'i1'), ('marks', '<f4')])
>>> a = np.array([('abc',  21,  50),('xyz',  18,  75)], dtype = student)
>>> a
array([(b'abc', 21, 50.), (b'xyz', 18, 75.)],
      dtype=[('name', 'S20'), ('age', 'i1'), ('marks', '<f4')])

每个内建类型都有一个唯一定义它的字符代码：

• b：布尔值
• i：符号整数
• u：无符号整数
• f：浮点
• c：复数浮点
• m：时间间隔
• M：日期时间
• O：Python 对象
• S,a：字节串
• U：Unicode
• V：原始数据(void)

类型转换

既然Numpy数组是静态类型，数组一旦生成类型就无法改变。但是我们可以显示地对某些元素数据类型进行转换生成新的数组，使用 astype 函数（可查看功能相似的 asarray 函数）：

>>> M = np.array([[1, 4], [9, 16]], dtype=np.int32)
>>> M.dtype
dtype('int32')
>>> M.astype(float)
array([[ 1.,  4.],
       [ 9., 16.]])
>>> M.dtype
dtype('int32')
>>> M.astype(np.float)
array([[ 1.,  4.],
       [ 9., 16.]])
>>> M = M.astype(np.float)
>>> M.dtype
dtype('float64')
>>> M = M.astype(np.bool)
>>> M
array([[ True,  True],
       [ True,  True]])
>>> M.dtype
dtype('bool')

在numpy中，还有一系列以 as 开头的方法，它们可以将特定输入转换为数组，亦可将数组转换为矩阵、标量，ndarray等。如下：

• asarray(a，dtype，order)：将特定输入转换为数组。
• asanyarray(a，dtype，order)：将特定输入转换为 ndarray。
• asmatrix(data，dtype)：将特定输入转换为矩阵。
• asfarray(a，dtype)：将特定输入转换为 float 类型的数组。
• asarray_chkfinite(a，dtype，order)：将特定输入转换为数组，检查 NaN 或 infs。
• asscalar(a)：将大小为 1 的数组转换为标量。

这里以 asmatrix(data，dtype) 方法举例：

>>> a = np.arange(4).reshape(2,2)
>>> a
array([[0, 1],
       [2, 3]])
>>> np.asmatrix(a)
matrix([[0, 1],
        [2, 3]])

转载于:https://www.cnblogs.com/oneTOinf/p/10480329.html