numpy支持比python更多的数据类型_Numpy 中文用户指南 3.1 数据类型

原文：Data types

译者：飞龙

‍

另见

数据类型对象

数组类型和类型之间的转换

NumPy支持的数值类型比Python更多。这一节会讲述所有可用的类型，以及如何改变数组的数据类型。

数据类型

描述

bool_

以字节存储的布尔值(True 或 False)

int_

默认的整数类型(和 C 的 long 一样，是 int64 或者 int32)

intc

和 C 的 int 相同(一般为 int64 或 int32)

intp

用于下标的整数(和 C 的 ssize_t 相同，一般为int64 或者 int32)

int8

字节(-128 到 127)

int16

整数(-32768 到 32767)

int32

整数(-2147483648 到 2147483647)

int64

整数(-9223372036854775808 到 9223372036854775807)

uint8

无符号整数(0 到 255)

uint16

无符号整数(0 到 65535)

uint32

无符号整数(0 到 4294967295)

uint64

无符号整数(0 到 18446744073709551615)

float_

float64 的简写

float16

半精度浮点：1位符号，5位指数，10位尾数

float32

单精度浮点：1位符号，8位指数，23位尾数

float64

双精度浮点：1位符号，11位指数，52位尾数

complex_

complex128 的简写

complex64

由两个32位浮点(实部和虚部)组成的复数

complex128

由两个64位浮点(实部和虚部)组成的复数

此外，Intel平台相关的C整数类型 short、long，long long 和它们的无符号版本是有定义的。

NumPy数值类型是dtype对象的实例，每个都有独特的特点。一旦你导入了NumPy：

>>> import numpy as np

这些 dtype 都可以通过 np.bool_ ， np.float32 以及其它的形式访问。

更高级的类型不在表中给出，请见结构化数组一节。

有5种基本的数值类型：布尔(bool)，整数(int)，无符号整数(uint)，浮点(float)和复数。其中的数字表示类型所占的位数(即需要多少位代表内存中的一个值)。有些类型，如int和intp，依赖于平台(例如32位和64位机)有不同的位数。在与低级别的代码(如C或Fortran)交互和在原始内存中寻址时应该考虑到这些。

数据类型可以用做函数，来将Python类型转换为数组标量(详细解释请见数组标量一节)，或者将Python的数值序列转换为同类型的NumPy数组，或者作为参数传入接受dtype的关键词的NumPy函数或方法中，例如：

>>> 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)

数组类型也可以由字符代码指定，这主要是为了保留旧的包的向后兼容，如Numeric。一些文档仍旧可能这样写，例如：

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

array([ 1., 2., 3.], dtype=float32)

我们推荐用 dtype 对象来取代。

要转换数组类型，使用 .astype() 方法(推荐)，或者将类型自身用作函数，例如：

>>> z.astype(float)

array([ 0., 1., 2.])

>>> np.int8(z)

array([0, 1, 2], dtype=int8)

需要注意的是，上面我们使用Python的浮点对象作为 dtype。NumPy知道int是指np.int_，bool指np.bool_，float指np.float_，complex指np.complex_。其他数据类型在Python中没有对应。

通过查看 dtype 属性来确定数组的类型：

>>> z.dtype

dtype('uint8')

dtype 对象还包含有关类型的信息，如它的位宽和字节顺序。数据类型也可以间接用于类型的查询属性，例如检查是否是整数：

>>> d = np.dtype(int)

>>> d

dtype('int32')

>>> np.issubdtype(d, int)

True

>>> np.issubdtype(d, float)

False

数组标量

NumPy一般以数组标量返回数组元素(带有相关dtype的标量)。数组标量不同于Python标量，但他们中的大部分可以互换使用(一个主要的例外是2.x之前的Python，其中整数数组标量不能作为列表和元组的下标)。也有一些例外，比如当代码需要标量的一个非常特定的属性，或检查一个值是否是特定的Python标量时。一般来说，总是可以使用相应的Python类型函数(如int，float，complex，str，unicode)，将数组标量显式转换为Python标量来解决问题。

使用数组标量的主要优点是，它们保留了数组的类型(Python可能没有匹配的标量类型，如int16)。因此，使用数组标量确保了数组和标量之间具有相同的行为，无论值在不在数组中。NumPy标量也有许多和数组相同的方法。

扩展精度

Python 的浮点数通常都是64位的，几乎相当于 np.float64 。在一些不常见的情况下，更精确的浮点数可能更好。是否可以这样做取决于硬件和开发环境：具体来说，x86 机器提供了80位精度的硬件浮点支持，虽然大多数 C 编译器都以 long double 类型来提供这个功能，但 MSVC (标准的Windows版本)中 long double 和 double 一致。NumPy中可以通过 np.longdouble 来使用编译器的 long double (复数为 np.clongdouble )。你可以通过 np.finfo(np.longdouble) 来了解你的 numpy 提供了什么。

NumPy 不提供比 C 的 long double 精度更高的 dtype；特别是128位 IEEE 四精度数据类型(Fortran 的 REAL*16)是不能用的。

为了高效的内存对齐，np.longdouble通常填充零位来存储，共96位或128位。哪个更有效取决于硬件环境；通常在32位系统中，他们被填充到96位，而在64位系统，他们通常是填充到128位。np.longdouble 以系统默认的方式填充；而 np.float96 和 np.float128 为那些需要特定填充位的用户提供。尽管名字不同，np.float96 和 np.float128都只提供和np.longdouble相同的精度，也就是说，大多数 x86 机器上面只有80位，标准Windows版本上只有64位。

注意，即使np.longdouble比Python的float精度更高，也很容易失去额外的精度，因为Python经常强行以float来传值。例如，%格式化运算符要求其参数转换成标准的Python类型，因此它不可能保留额外的精度，即使要求更多的小数位数。可以使用1 + np.finfo(np.longdouble).eps来测试你的代码。