numpy(02 数据类型和数据类型转换)
numpy(01 入门)
目录
一、Python NumPy 数据类型
1.1 NumPy 基本类型
1.2 数据类型对象 (dtype)
1.3 具体实例
二、Numpy数据类型转换
2.1 浮点数据转换
2.2 整型数据转换
2.3 浮点数转整数
一、Python NumPy 数据类型
1.1 NumPy 基本类型
下表列举了常用 NumPy 基本类型。
| 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） |
| intc | 与 C 的 int 类型一样，一般是 int32 或 int 64 |
| intp | 用于索引的整数类型（类似于 C 的 ssize_t，一般情况下仍然是 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 的数值类型实际上是 dtype 对象的实例，并对应唯一的字符，包括 np.bool_，np.int32，np.float32，等等。
每个内建类型都有一个唯一定义它的字符代码如下：
1.2 数据类型对象 (dtype)
数据类型对象是用来描述与数组对应的内存区域如何使用，这依赖如下几个方面：
- 数据的类型（整数，浮点数或者 Python 对象）
- 数据的大小（例如， 整数使用多少个字节存储）
- 数据的字节顺序（小端法或大端法）
- 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对应的内存块的区域
- 如果数据类型是子数组，它的形状和数据类型
字节顺序是通过对数据类型预先设定”<“或”>”来决定的。”<“意味着小端法(最高有效字节在最前面的方式称为大端法)。”>”意味着大端法(最低有效字节在最前面的方式成为小端法)。
小端与大端的区别：
| 字节顺序 | 高位字节存储位置 | 低位字节存储位置 |
|---|---|---|
| 大端（Big-endian） | 低地址存高位字节 | 高地址存低位字节 |
| 小端（Little-endian） | 低地址存低位字节 | 高地址存高位字节 |
dtype 对象是使用以下语法构造的：
numpy.dtype(object, align, copy)
- object – 要转换为的数据类型对象
- align – 如果为 true，填充字段使其类似 C 的结构体。
- copy – 复制 dtype 对象 ，如果为 false，则是对内置数据类型对象的引用
1.3 具体实例
实例 1:转换为int32
import numpy as np
dt = np.dtype(np.int32)
print(dt)运行结果：
例 2:int8, int16, int32, int64 四种数据类型可以使用字符串 ‘i1’, ‘i2′,’i4′,’i8’ 代替
import numpy as np
dt = np.dtype('i4')
print(dt)运行结果：
实例 3:字节顺序标注
import numpy as np
dt = np.dtype('<i4')
print(dt)运行结果：
例 4:结构化数据类型
# 首先创建结构化数据类型
import numpy as np
dt = np.dtype([('age',np.int8)])
print(dt)运行结果：
例 5:将数据类型应用于 ndarray 对象
import numpy as np
a = np.array([(10,),(20,),(30,)])
print(a)
print('-'*50)
dt = np.dtype([('age',np.int8)])
a = np.array([(10,),(20,),(30,)], dtype = dt)
print(a)运行结果：
例 6:类型字段名可以用于存取实际的 age 列
import numpy as np
dt = np.dtype([('age',np.int8)])
a = np.array([(10,),(20,),(30,)], dtype = dt)
print(a['age'])运行结果：
例 7：下面的示例定义一个结构化数据类型 student，包含字符串字段 name，整数字段 age，及浮点字段 marks，并将这个 dtype 应用到 ndarray 对象。
import numpy as np
student = np.dtype([('name','S20'), ('age', 'i1'), ('marks', 'f4')])
print(student)运行结果：
例8：
import 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)运行结果：
二、Numpy数据类型转换
2.1 浮点数据转换
例1：生成一个浮点数组（浮点型默认是 float64）
import numpy as np
a=np.random.random (4)
print(a)
print(a.dtype)
print(a.shape)运行结果：
例2：改变dtype为 float32，数组长度翻倍
import numpy as np
a=np.random.random (4)
a.dtype ="float32"
print(a)
print(a.dtype)
print(a.shape)#看下面有关shape的注释运行结果：
shape 是 NumPy 中 ndarray 对象的一个属性，用于表示数组的维度（dimensions）和每个维度的大小（size）。它以元组的形式返回，元组的每个元素表示数组在相应维度上的大小。
shape的含义
- 对于 一维数组，
shape返回数组的长度（即元素的数量）。 - 对于 二维数组，
shape返回一个元组，其中第一个元素表示数组的行数，第二个元素表示列数。 - 对于 三维及更高维数组，
shape返回一个多元素的元组，其中每个元素表示数组在对应维度上的大小。
例3：改变dtype= float，默认类型就是float64，数组长度也变回最初的4
import numpy as np
a=np.random.random (4)
a.dtype ="float"
print(a)
print(a.dtype)
print(a.shape)运行结果：
2.2 整型数据转换
把a变为整数 int64，生成长度为4的整型数组
例4：
import numpy as np
a=np.random.random (4)
a.dtype="int64"
print(a)
print(a.dtype)
print(a.shape)运行结果：
2.3 浮点数转整数
例5：
import numpy as np
b=np.array([1 ,2 ,3 ,4 ])
print(b.dtype)运行结果：
例6：用 astype(int) 得到整数，并且不改变数组长度
import numpy as np
b=np.array([1 ,2 ,3 ,4 ],dtype=np.int32)
print(b)
print(b.shape)
print(b.dtype)运行结果：
