Numpy数据类型及数组创建01

最新推荐文章于 2022-02-24 17:14:57 发布
最新推荐文章于 2022-02-24 17:14:57 发布
阅读量1.4k 收藏 4
点赞数 4
分类专栏： Python数据分析、挖掘与可视化 文章标签： python numpy
本文为博主原创文章，未经博主允许不得转载。
本文链接：https://blog.csdn.net/weixin_46322367/article/details/114504072
版权

文章目录

1.常量

numpy.nan

1.表示空值。
2.nan = NaN = NAN

【例】两个numpy.nan是不相等的。

import numpy as np

print(np.nan == np.nan)  # False
print(np.nan != np.nan)  # True

在IDLE里执行失败，在Jupyter Notebook里执行成功

numpy.isnan(x, *args, **kwargs) Test element-wise for NaN and return result as a boolean array.

【例】

import numpy as np

x=np.array([1,1,8,np.nan,10])
print(x)
# [ 1.  1.  8. nan 10.]

y=np.isnan(x)
print(y)
# [False False False  True False]

z=np.count_nonzero(y)
print(z) # 1

numpy.inf

表示正无穷大
Inf = inf = infty = Infinity = PINF
【例】

numpy.pi

表示圆周率

import numpy as np

print(np.pi) # 3.141592653589793...

numpy.e

表示自然常数

import numpy as np

print(np.e) # 2.718281828459045...

2.数据类型

常见数据类型

Python 原生的数据类型相对较少， bool、int、float、str等。这在不需要关心数据在计算机中表示的所有方式的应用中是方便的。然而，对于科学计算，通常需要更多的控制。为了加以区分 numpy 在这些类型名称末尾都加了“_”。

下表列举了常用 numpy 基本类型。

类型备注说明
bool_ = bool88位布尔类型
int8 = byte8位整型
int16 = short16位整型
int32 = intc32位整型
int_ = int64 = long = int0 = intp64位整型
uint8 = ubyte8位无符号整型
uint16 = ushort16位无符号整型
uint32 = uintc32位无符号整型
uint64 = uintp = uint0 = uint64位无符号整型
float16 = half16位浮点型
float32 = single32位浮点型
float_ = float64 = double64位浮点型
str_ = unicode_ = str0 = unicodeUnicode 字符串
datetime64日期时间类型
timedelta64表示两个时间之间的间隔

创建数据类型

numpy的数值类型实际上是dtype对象的实例

class dtype(object):
    def __init__(self,obj,align=False,copy=False):
        pass

每个内建类型都有一个唯一定义它的字符代码，如下:

字符对应类型备注
bboolean‘b1’
isigned integer‘i1’, ‘i2’, ‘i4’, ‘i8’
uunsigned integer‘u1’, ‘u2’ ,‘u4’ ,‘u8’
ffloating-point‘f2’, ‘f4’, ‘f8’
ccomplex floating-point
mtimedelta64表示两个时间之间的间隔
Mdatetime64日期时间类型
Oobject
S(byte-)stringS3表示长度为3的字符串
UUnicodeUnicode 字符串
Vvoid

【例】

import numpy as np

a = np.dtype('b1')
print(a.type)  # <class 'numpy.bool_'>
print(a.itemsize)  # 1

a = np.dtype('i1')
print(a.type)  # <class 'numpy.int8'>
print(a.itemsize)  # 1
a = np.dtype('i2')
print(a.type)  # <class 'numpy.int16'>
print(a.itemsize)  # 2
a = np.dtype('i4')
print(a.type)  # <class 'numpy.int32'>
print(a.itemsize)  # 4
a = np.dtype('i8')
print(a.type)  # <class 'numpy.int64'>
print(a.itemsize)  # 8

a = np.dtype('u1')
print(a.type)  # <class 'numpy.uint8'>
print(a.itemsize)  # 1
a = np.dtype('u2')
print(a.type)  # <class 'numpy.uint16'>
print(a.itemsize)  # 2
a = np.dtype('u4')
print(a.type)  # <class 'numpy.uint32'>
print(a.itemsize)  # 4
a = np.dtype('u8')
print(a.type)  # <class 'numpy.uint64'>
print(a.itemsize)  # 8

a = np.dtype('f2')
print(a.type)  # <class 'numpy.float16'>
print(a.itemsize)  # 2
a = np.dtype('f4')
print(a.type)  # <class 'numpy.float32'>
print(a.itemsize)  # 4
a = np.dtype('f8')
print(a.type)  # <class 'numpy.float64'>
print(a.itemsize)  # 8

a = np.dtype('S')
print(a.type)  # <class 'numpy.bytes_'>
print(a.itemsize)  # 0
a = np.dtype('S3')
print(a.type)  # <class 'numpy.bytes_'>
print(a.itemsize)  # 3

a = np.dtype('U3')
print(a.type)  # <class 'numpy.str_'>
print(a.itemsize)  # 12

数据类型信息

Python的浮点数通常是64位浮点数，几乎等同于 np.float64 。
Numpy和Python整数类型的行为在整数溢出方面存在显著差异，与Numpy不同，Python的int 是灵活的。这意味着Python整数可以扩展以容纳任何整数并且不会溢出。
Machine limits for integer types.

class iinfo(object):
    def __init__(self,int_type):
        pass
    def min(self):
        pass
    def max(self):
        pass

【例】

import numpy as np

ii16 = np.iinfo(np.int16)
print(ii16.min)  # -32768
print(ii16.max)  # 32767

ii32 = np.iinfo(np.int32)
print(ii32.min)  # -2147483648
print(ii32.max)  # 2147483647

Machine limits for floating point types.

class finfo(object):
    def _init(self, dtype):

【例】

import numpy as np

ff16 = np.finfo(np.float16)
print(ff16.bits)  # 16
print(ff16.min)  # -65500.0
print(ff16.max)  # 65500.0
print(ff16.eps)  # 0.000977

ff32 = np.finfo(np.float32)
print(ff32.bits)  # 32
print(ff32.min)  # -3.4028235e+38
print(ff32.max)  # 3.4028235e+38
print(ff32.eps)  # 1.1920929e-07

3.时间日期和时间增量

datetime64 基础

在 numpy 中，我们很方便的将字符串转换成时间日期类型 datetime64（datetime 已被 python 包含的日期时间库所占用）。

datatime64是带单位的日期时间类型，其单位如下：

日期单位代码含义时间单位代码含义
Y年h小时
M月m分钟
W周s秒
D天ms毫秒
--us微秒
--ns纳秒
--ps皮秒
--fs飞秒
--as阿托秒

1秒 = 1000 毫秒（milliseconds）
1毫秒 = 1000 微秒（microseconds）

【例】从字符串创建datetime64类型时，默认情况下，numpy会根据字符串自动选择对应的单位。

import numpy as np

a=np.datetime64('2021')
print(a.dtype) # datetime64[Y]
a=np.datetime64('2021-03')
print(a.dtype) # datetime64[M]
a=np.datetime64('2021-03-08')
print(a.dtype) # datetime64[D]

a=np.datetime64('2021-03-08 21:09:30')
print(a.dtype) # datetime64[s]
a=np.datetime64('2021-03-08 21:09')
print(a.dtype) # datetime64[m]
a=np.datetime64('2021-03-08 21')
print(a.dtype) # datetime64[h]

【例】从字符串创建 datetime64 类型时，可以强制指定使用的单位。

import numpy as np

a=np.datetime64('2021-03','D')
print(a,a.dtype) # 2021-03-01 datetime64[D]
a=np.datetime64('2021-03','Y')
print(a,a.dtype) # 2021 datetime64[Y]

print(np.datetime64('2021-03')==np.datetime64('2021-03-01')) # True
print(np.datetime64('2021-03')==np.datetime64('2021-03-02')) # False

由上例可以看出，2019-03 和 2019-03-01 所表示的其实是同一个时间。 事实上，如果两个 datetime64 对象具有不同的单位，它们可能仍然代表相同的时刻。并且从较大的单位（如月份）转换为较小的单位（如天数）是安全的。

【例】从字符串创建 datetime64 数组时，如果单位不统一，则一律转化成其中最小的单位。

import numpy as np

a = np.array(['2021-03', '2021-03-08', '2021-03-08 20:00'], dtype='datetime64')
print(a, a.dtype)
#['2021-03-01T00:00' '2021-03-08T00:00' '2021-03-08T20:00'] datetime64[m]

【例】使用arange()创建 datetime64 数组，用于生成日期范围。

import numpy as np

a=np.arange('2021-01','2021-12',dtype='datetime64')
print(a)
print(a.dtype)

a=np.arange('2021-01-01 08:00','2021-01-01 08:10',dtype='datetime64')
print(a)
print(a.dtype)

a=np.arange('2021-01-01','2021-01-05',dtype='datetime64')
print(a)
print(a.dtype)

['2021-01' '2021-02' '2021-03' '2021-04' '2021-05' '2021-06' '2021-07'
 '2021-08' '2021-09' '2021-10' '2021-11']
datetime64[M]
['2021-01-01T08:00' '2021-01-01T08:01' '2021-01-01T08:02'
 '2021-01-01T08:03' '2021-01-01T08:04' '2021-01-01T08:05'
 '2021-01-01T08:06' '2021-01-01T08:07' '2021-01-01T08:08'
 '2021-01-01T08:09']
datetime64[m]
['2021-01-01' '2021-01-02' '2021-01-03' '2021-01-04']
datetime64[D]

datetime64 和 timedelta64 运算

【例】timedelta64 表示两个 datetime64 之间的差。timedelta64 也是带单位的，并且和相减运算中的两个 datetime64 中的较小的单位保持一致。

import numpy as np

a = np.datetime64('2021-03-08') - np.datetime64('2021-03-07')
b = np.datetime64('2021-03-08') - np.datetime64('2021-03-07 08:00')
c = np.datetime64('2021-03-08') - np.datetime64('2021-03-07 23:00', 'D')

print(a, a.dtype)  # 1 days timedelta64[D]
print(b, b.dtype)  # 960 minutes timedelta64[m]
print(c, c.dtype)  # 1 days timedelta64[D]

a = np.datetime64('2021-03') + np.timedelta64(20, 'D')
b = np.datetime64('2021-03-08 00:00') + np.timedelta64(12, 'h')
print(a, a.dtype)  # 2021-03-21 datetime64[D]
print(b, b.dtype)  # 2021-03-08T12:00 datetime64[m]

【例】生成 timedelta64时，要注意年（‘Y’）和月（‘M’）这两个单位无法和其它单位进行运算（一年有几天？一个月有几个小时？这些都是不确定的）。

import numpy as np

a=np.timedelta64(1,'Y')
b=np.timedelta64(a,'M')
print(a) # 1 years
print(b) # 12 months

c=np.timedelta64(1,'h')
d=np.timedelta64(c,'m')
print(c) # 1 hours
print(d) # 60 minutes

print(np.timedelta64(a,'D')) 
# TypeError: Cannot cast NumPy timedelta64 scalar from metadata [Y] to [D] according to the rule 'same_kind'
print(np.timedelta64(b,'D'))
# TypeError: Cannot cast NumPy timedelta64 scalar from metadata [M] to [D] according to the rule 'same_kind'

【例】timedelta64 的运算。

import numpy as np

a=np.timedelta64(1,'Y')
b=np.timedelta64(6,'M')
c=np.timedelta64(1,'W')
d=np.timedelta64(1,'D')
e=np.timedelta64(10,'D')

print(a)  # 1 years
print(b)  # 6 months
print(a + b)  # 18 months
print(a - b)  # 6 months
print(2 * a)  # 2 years
print(a / b)  # 2.0
print(c / d)  # 7.0
print(c % e)  # 7 days

【例】 numpy.datetime64 与 datetime.datetime 相互转换

import numpy as np
import datetime

dt=datetime.datetime(year=2021,month=3,day=8,hour=21,minute=10,second=30)
dt64=np.datetime64(dt,'s')
print(dt64,dt64.dtype)
# 2021-03-08T21:10:30 datetime64[s]
dt2=dt64.astype(datetime.datetime)
print(dt2,type(dt2))
# 2021-03-08 21:10:30 <class 'datetime.datetime'>

datetime64 的应用

为了允许在只有一周中某些日子有效的上下文中使用日期时间，NumPy包含一组“busday”（工作日）功能。

  1. numpy.busday_offset(dates, offsets, roll=‘raise’, weekmask=‘1111100’, holidays=None, busdaycal=None, out=None) First adjusts the date to fall on a valid day according to the roll rule, then applies offsets to the given dates counted in valid days.

参数roll：{‘raise’, ‘nat’, ‘forward’, ‘following’, ‘backward’, ‘preceding’, ‘modifiedfollowing’, ‘modifiedpreceding’}

  1. ‘raise’ means to raise an exception for an invalid day.
  2. ‘nat’ means to return a NaT (not-a-time) for an invalid day.
  3. ‘forward’ and ‘following’ mean to take the first valid day later in time.
  4. ‘backward’ and ‘preceding’ mean to take the first valid day earlier in time.

【例】将指定的偏移量应用于工作日，单位天（‘D’）。计算下一个工作日，如果当前日期为非工作日，默认报错。可以指定 forward 或 backward 规则来避免报错。（一个是向前取第一个有效的工作日，一个是向后取第一个有效的工作日）

import numpy as np

# 2020-07-10 星期五
a = np.busday_offset('2020-07-10', offsets=1)
print(a)  # 2020-07-13

a = np.busday_offset('2020-07-11', offsets=1)
print(a)
# ValueError: Non-business day date in busday_offset

a = np.busday_offset('2020-07-11', offsets=0, roll='forward')
b = np.busday_offset('2020-07-11', offsets=0, roll='backward')
print(a)  # 2020-07-13
print(b)  # 2020-07-10

a = np.busday_offset('2020-07-11', offsets=1, roll='forward')
b = np.busday_offset('2020-07-11', offsets=1, roll='backward')
print(a)  # 2020-07-14
print(b)  # 2020-07-13

可以指定偏移量为 0 来获取当前日期向前或向后最近的工作日，当然，如果当前日期本身就是工作日，则直接返回当前日期。

numpy.is_busday(dates, weekmask=‘1111100’, holidays=None, busdaycal=None, out=None) Calculates which of the given dates are valid days, and which are not.

【例】返回指定日期是否是工作日。

import numpy as np

# 2020-07-10 星期五
a = np.is_busday('2020-07-10')
b = np.is_busday('2020-07-11')
print(a)  # True
print(b)  # False

【例】统计一个 datetime64[D] 数组中的工作日天数。

import numpy as np

# 2020-07-10 星期五
begindates = np.datetime64('2020-07-10')
enddates = np.datetime64('2020-07-20')
a = np.arange(begindates, enddates, dtype='datetime64')
b = np.count_nonzero(np.is_busday(a))
print(a)
# ['2020-07-10' '2020-07-11' '2020-07-12' '2020-07-13' '2020-07-14'
#  '2020-07-15' '2020-07-16' '2020-07-17' '2020-07-18' '2020-07-19']
print(b)  # 6

【例】自定义周掩码值，即指定一周中哪些星期是工作日。

import numpy as np

# 2020-07-10 星期五
a = np.is_busday('2020-07-10', weekmask=[1, 1, 1, 1, 1, 0, 0])
b = np.is_busday('2020-07-10', weekmask=[1, 1, 1, 1, 0, 0, 1])
print(a)  # True
print(b)  # False

numpy.busday_count(begindates, enddates, weekmask=‘1111100’, holidays=[], busdaycal=None, out=None)Counts the number of valid days between begindates and enddates, not including the day of enddates.

【例】返回两个日期之间的工作日数量。

import numpy as np

# 2020-07-10 星期五
begindates = np.datetime64('2020-07-10')
enddates = np.datetime64('2020-07-20')
a = np.busday_count(begindates, enddates)
b = np.busday_count(enddates, begindates)
print(a)  # 6
print(b)  # -6

参考图文

  1. https://www.jianshu.com/p/336cd77d9914
  2. https://www.cnblogs.com/gl1573/p/10549547.html#h2datetime64
  3. https://www.numpy.org.cn/reference/arrays/datetime.html#%E6%97%A5%E6%9C%9F%E6%97%B6%E9%97%B4%E5%8D%95%E4%BD%8D
数据攻城小狮子
关注
  • 4
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 7
    评论
专栏目录
Numpy 数据类型及数组创建
qq_38905137的博客
10-21 433
Numpy 数据类型及数组创建常量numpy.nannumpy.infnumpy.pinumpy.e数据类型基本数据类型创建基本数据类型时间日期、时间增量数组创建参考资料 常量 numpy.nan nan（NAN，Nan）：“ not a number”，即不是数字，表示空值。 何时出现 当我们读取本地文件为float的时候，如果有缺失，就会出现nan 当做了一个恰当计算的时候(比如无穷大(inf)减去无穷大) 特点 两个Nan不相等 nan 和任何值计算都为 nan numpy.inf inf（-
numpy模块详细介绍
bishopmarcel
07-27 607
数据分析–numpy篇 什么是数据分析？ 数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。 使用python做数据分析的常用库 numpy 基础数值算法 scipy 科学计算 matplotlib 数据可视化 pandas 序列高级函数 numpy概述 Numerical Python，数值的Python，补充了Python语言所欠缺的数值计算能力。 Numpy是其它数据
Numpy（数据类型）
橙汁
05-08 903
常见数据类型 Python 原生的数据类型相对较少， bool、int、float、str等。这在不需要关心数据在计算机中表示的所有方式的应用中是方便的。然而，对于科学计算，通常需要更多的控制。为了加以区分 numpy 在这些类型名称末尾都加了“_”。 下表列举了常用 numpy 基本类型。 创建数据类型 numpy 的数值类型实际上是 dtype 对象的实例。 class dtype(object): def __init__(self, obj, align=False, copy=False
numpy 基本数据类型
不死彡邪神的博客
04-13 263
numpy学习3：对象属性和基本数据类型
好好学java
09-24 484
一、ndarray对象属性 ndim 数组轴(维度)的个数，轴的个数被称作秩 shape 数组的维度, 例如一个2排3列的矩阵，它的shape属性将是(2,3),这个元组的长度显然是秩，即维度或者ndim属性 size 数组元素的总个数，等于shape属性中元组元素的乘积。 dtype一个用来描述数组中元素类型的对象，可以通过创造或指定dtype使用标准Python类型。不过NumPy提供它自己的...
numpy学习——01数组创建
grizzly的博客
02-24 1447
本文是根据 DataWhale『巨硬的 numpy』文档进行学习, 辅之以天池平台, 之前学习过, 此时进行进一步的整理, 着重学习未完全熟悉的知识点. 详细的代码我也放入了天池学习的AI训练营合集中 安装和导库 首先是安装 numpy. pip install numpy 然后是导入库, 通常简写为 np. import numpy as np # 后续的画图工具 import matplotlib.pyplot as plt 数组的创建和生成 数组 ndarry 是 numpy 内最基本的数据.
Numpy 多维数据数组的实现
09-16
数组创建** 创建Numpy数组有多种方式： - **基于列表创建**：可以直接将Python的列表或元组转换为Numpy数组。 ```python v = np.array([1, 2, 3, 4]) M = np.array([[1, 2], [3, 4]]) ``` - **使用函数创建**：如`...
NumPy 如何生成多维数组的方法
09-20
2. **dtype**：数组中元素的数据类型，如int, float, complex等。 3. **buffer**：用于存储数组数据的内存区域。 4. **offset**：数据在内存中的偏移量。 5. **strides**：访问数组中每个元素的字节数。例如，对于一...
对numpy中布尔型数组的处理方法详解
09-20
在NumPy中，布尔型数组可以与数值型数组进行交互，这得益于NumPy的广播机制和自动类型转换。 1. **布尔运算** NumPy提供了两个核心函数：`any()` 和 `all()`，它们分别用于检查布尔型数组中是否存在至少一个True值...
Python使用numpy模块创建数组操作示例
09-20
- `np.array()` 是numpy中创建数组的基本方法，它可以接受列表、元组、列表的列表等序列类型的数据作为参数，生成新的numpy数组。例如： ```python ndarray1 = np.array([1, 2, 3, 4]) ndarray2 = np.array(list...
Python快速转换numpy数组中Nan和Inf的方法实例说明
01-20
在使用numpy数组的过程中时常会出现nan或者inf的元素，可能会造成数值计算时的一些错误。这里提供一个numpy库函数的用法，使nan和inf能够最简单地转换成相应的数值。 numpy.nan_to_num(x): 使用0代替数组x中的nan元素，使用有限的数字代替inf元素 使用范例： >>>import numpy as np >>> a = np.array([[np.nan,np.inf],\ ... [-np.nan,-np.inf]]) >>> a array([[ nan, inf], [ nan, -inf]]) >>> np.nan_to_
Numpy数据类型
cd_sywe的博客
03-13 845
NumPy数据类型 类型类型代码说明int8、uint8i1、u1有符号和无符号8位整型（1字节）int16、uint16i2、u2有符号和无符号16位整型（2字节）int32、uint32i4、u4有符号和无符号32位整型（4字节）int64、uint64i8、u8有符号和无符号64位整型（8字节）float16f2半精度浮点数float32f4、f单精度浮点数float64f8、d双精度浮点数float128f16、g扩展精度浮点数complex64c8分别用两个32位表示的复数complex128c1
Python数据分析之初识numpy常见方法使用案例
数据科学汇集
06-29 791
声明与简介 numpy是python数据科学计算的基础包，这个包有多维数据对象ndarray，以及诸多它的派生对象（如：掩码数组、矩阵），同时这些对象还提供了数学，逻辑，形状处理，排序，选择，离散傅立叶变换，基本线性代数，基本统计运算，随机模拟等常见的科学计算方法。 创建ndarray 直接创建ndarray #通过np.array直接创建ndarray数组。 import numpy as np arr1=np.array([4,6,9]) print(type(arr1[2],arr1..
人工智能入门--Numpy
HE702007的博客
09-17 327
一 矢量 ​ 矢量是指一堆数形成的集合 ​ 多维数组也叫做矢量化计算 ​ 单独一个数叫做标量 二 多维数组 numpy 对多维数组的定义: ​ 用numpy.ndarray类 (n代表n个数,d代表dimision维度) ​ Ndarray本身是一个类, 由这个类实例化出来的对象,就是多维数组 ​ 多维数组也是一个对象 创建多维数组对象的方法: 1> numpy.arange...
Python快速转换numpy数组中Nan和Inf的方法
热门推荐
KFXW的专栏
03-06 7万+
在使用numpy数组的过程中时常会出现nan或者inf的元素，可能会造成数值计算时的一些错误。这里提供一个numpy库函数的用法，使nan和inf能够最简单地转换成相应的数值。 numpy.nan_to_num(x):
【已解决】TypeError: cannot perform reduce with flexible type
华仔仔的博客
12-07 1万+
首先，看一下这个错误的翻译。它的中文意思就是不能对可变类型进行操作。 这种错误大多是由将数据集文件读入后，没有对读入的数据的类型进行转换造成的，例如，最常见的就是，文件里的数据的类型为 numpy.str, 对 numpy.str 类型的数据进行数值运算，运行自然会报错。 因此，解决方式就是将数据进行类型转换，转换也很简单，只需要一行代码： data = data.astype(float) 这样，可以将 data 文件内数据的类型全部转换为浮点型，浮点型数据当然可以进行数值运算，问题也迎刃而解了。 .
numpy中np.inf函数的用法讲解
weixin_43869605的博客
08-20 2万+
np.inf 表示+∞，是没有确切的数值的,类型为浮点型 import numpy as np """ np.inf 表示+∞，是没有确切的数值的,类型为浮点型 """ # a值表示+∞ a = np.inf # b的值无论我们设置的有多大都会小于a值 b = (10 ** 10) ** 10000 print(a) print(type(a)) # <class 'float'> print(b) if a > b: print('a > b') else: .
numpy中的 nan 和 inf，及其批量判别、替换
domodo2012的博客
01-06 1万+
1、概念 nan：not a number （非数值） inf：infinity （inf：正无穷，-inf：负无穷 ），下文中的 inf 包含了两种无穷 numpy 中，nan 和 inf 的类型都是 float 。 2、性质 2-1、多个 nan 之间的比较，地址相等，值不相等 import numpy as np print(f'nan 之间的值比较 {np.nan == np.nan}') print(f'nan 之间的地址比较 {np.nan is np.nan}') Out[18]: na
numpy学习-2数据类型
sunny_none的博客
07-26 372
常见数据类型 在科学计算中，需要对数据类型加更多控制 numpy在各种python原有类型的名称末尾都加了_ bool_=bool8,布尔 整形： 有符号：没有u，无符号：有u int8=byte,uint8=ubyte, 8位 int16=short, uint16=ushort，16位 int32=intc, uint32=uintc，32位 int_=int64=long=int0=intp uint64=uint0=uintp=uint，64位 浮点： float16=ha.
Numpy 二维数组 数据类型
最新发布
07-28
Numpy 二维数组可以有不同的数据类型。在创建二维数组时，您可以指定所需的数据类型。下面是一些常用的数据类型： 1. int：整数类型，例如 np.int32 或 np.int64。 2. float：浮点数类型，例如 np.float32 或 np....

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 7
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

数据攻城小狮子

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值