numpy支持比python更多的数据类型_NumPy - 数据类型

NumPy - 数据类型

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。Sr.No.数据类型和描述

1bool_

存储为字节的布尔值(True或False)

2int_

默认整数类型(与C long相同;通常为int64或int32)

3intc

与C int相同(通常为int32或int64)

4intp

用于索引的整数(与C ssize_t相同;通常为int32或int64)

5int8

字节(-128到127)

6int16

整数(-32768至32767)

7int32

整数(-2147483648至2147483647)

8int64

整数(-9223372036854775808至9223372036854775807)

9uint8

无符号整数(0到255)

10uint16

无符号整数(0到65535)

11uint32

无符号整数(0到4294967295)

12uint64

无符号整数(0到18446744073709551615)

13float_

float64的简写

14float16

半精度浮点数:符号位，5位指数，10位尾数

15float32

单精度浮点数:符号位，8位指数，23位尾数

16float64

双精度浮点数:符号位，11位指数，52位尾数

17complex_

complex128的简写

18complex64

复数，由两个32位浮点数(实部和虚部)表示

19complex128

复数，由两个64位浮点数(实数和虚数组件)表示

NumPy数字类型是dtype(数据类型)对象的实例，每个对象都具有唯一的特征。 dtypes可用作np.bool_，np.float32等。

Data Type Objects (dtype)

数据类型对象描述对应于数组的固定内存块的解释，具体取决于以下方面 -数据类型(整数，浮点或Python对象)

数据大小

字节顺序(little-endian或big-endian)

在结构化类型的情况下，每个字段的字段名称，每个字段的数据类型和每个字段占用的内存块的一部分。

如果数据类型是子数组，则其形状和数据类型

字节顺序由前缀“”决定数据类型。 ' '>'表示编码是big-endian(最重要的字节存储在最小的地址中)。

使用以下语法构造dtype对象 -numpy.dtype(object, align, copy)

参数是 -Object - 要转换为数据类型对象

Align - 如果为true，则向字段添加填充以使其类似于C-struct

Copy - 制作dtype对象的新副本。 如果为false，则结果引用内置数据类型对象

例子1 (Example 1)# using array-scalar type

import numpy as np

dt = np.dtype(np.int32)

print dt

输出如下 -int32

例子2 (Example 2)#int8, int16, int32, int64 can be replaced by equivalent string 'i1', 'i2','i4', etc.

import numpy as np

dt = np.dtype('i4')

print dt

输出如下 -int32

例子3 (Example 3)# using endian notation

import numpy as np

dt = np.dtype('>i4')

print dt

输出如下 ->i4

以下示例显示了结构化数据类型的使用。 这里，将声明字段名称和相应的标量数据类型。

例子4 (Example 4)# first create structured data type

import numpy as np

dt = np.dtype([('age',np.int8)])

print dt

输出如下 -[('age', 'i1')]

例子5 (Example 5)# now apply it to ndarray object

import numpy as np

dt = np.dtype([('age',np.int8)])

a = np.array([(10,),(20,),(30,)], dtype = dt)

print a

输出如下 -[(10,) (20,) (30,)]

例6# file name can be used to access content of age column

import numpy as np

dt = np.dtype([('age',np.int8)])

a = np.array([(10,),(20,),(30,)], dtype = dt)

print a['age']

输出如下 -[10 20 30]

例7

以下示例定义了一个名为student的结构化数据类型，其中包含字符串字段“name”， integer field “age”和float field “marks”。 此dtype应用于ndarray对象。import numpy as np

student = np.dtype([('name','S20'), ('age', 'i1'), ('marks', 'f4')])

print student

输出如下 -[('name', 'S20'), ('age', 'i1'), ('marks', '

例8import numpy as np

student = np.dtype([('name','S20'), ('age', 'i1'), ('marks', 'f4')])

a = np.array([('abc', 21, 50),('xyz', 18, 75)], dtype = student)

print a

输出如下 -[('abc', 21, 50.0), ('xyz', 18, 75.0)]

每个内置数据类型都有一个唯一标识它的字符代码。'b' - 布尔值

'i' - (签名)整数

'u' - 无符号整数

'f' - 浮点数

'c' - 复杂浮点

'm' - timedelta

'M' - 日期时间

'O' - (Python)对象

'S', 'a' - (byte-)字符串

'U' - Unicode

'V' - 原始数据(无效)

NumPy - Ndarray对象( Ndarray Object)