网站建设的目的意义seo诊断分析在线工具

锋哥原创的Pandas2 Python数据处理与分析 视频教程：  

2025版 Pandas2 Python数据处理与分析 视频教程(无废话版) 玩命更新中~_哔哩哔哩_bilibili

NumPy 提供了丰富的数据类型（dtypes），主要用于高效数值计算。以下是 NumPy 的主要数据类型分类及说明：

---

1. 数值类型（Numeric Types）

(1) 整数类型（Integer）

类型	说明	范围（有符号）	范围（无符号）
int8	8位整数	-128 到 127	-
int16	16位整数	-32768 到 32767	-
int32	32位整数	-2³¹ 到 2³¹-1	-
int64	64位整数	-2⁶³ 到 2⁶³-1	-
uint8	8位无符号整数	-	0 到 255
uint16	16位无符号整数	-	0 到 65535
uint32	32位无符号整数	-	0 到 2³²-1
uint64	64位无符号整数	-	0 到 2⁶⁴-1

示例：

import numpy as np
​
a = np.array([1, 2, 3], dtype=np.int32)  # 32位整数
b = np.array([255, 0], dtype=np.uint8)   # 8位无符号整数

(2) 浮点类型（Float）

类型	说明	精度（位数）
float16	半精度浮点（16位）	5位指数 + 10位尾数
float32	单精度浮点（32位）	8位指数 + 23位尾数
float64	双精度浮点（64位，默认）	11位指数 + 52位尾数
float128	扩展精度浮点（128位）	更高精度（部分系统支持）

示例：

c = np.array([1.0, 2.5], dtype=np.float32)  # 单精度浮点
d = np.array([3.1415926535], dtype=np.float64)  # 双精度浮点

(3) 复数类型（Complex）

类型	说明
complex64	实部和虚部均为 float32
complex128	实部和虚部均为 float64（默认）
complex256	更高精度的复数（部分系统支持）

示例：

e = np.array([1 + 2j, 3 + 4j], dtype=np.complex64)

1. 其他类型

(1) 布尔类型（Boolean）

类型	说明
bool_	布尔值（True/False）

示例：

f = np.array([True, False], dtype=np.bool_)

(2) 字符串类型（String）

类型	说明
str_	Unicode 字符串（默认）
bytes_	字节字符串（ASCII）

示例：

g = np.array(["hello", "numpy"], dtype=np.str_)   # Unicode
h = np.array([b"abc", b"123"], dtype=np.bytes_)   # 字节字符串

(3) 日期时间类型（Datetime）

类型	说明
datetime64	日期时间（年、月、日、秒等）
timedelta64	时间间隔（差值）

示例：

i = np.array(["2023-01-01", "2024-12-31"], dtype="datetime64[D]")  # 天精度
j = np.array([1, 7], dtype="timedelta64[D]")  # 时间差（天）

3. 结构化数据类型（Structured Arrays）

用于存储类似表格的数据（多个字段）：

dt = np.dtype([("name", "U10"), ("age", "i4"), ("height", "f4")])
people = np.array([("Alice", 25, 1.65), ("Bob", 30, 1.80)], dtype=dt)
print(people["age"])  # 访问字段

完整代码：

import numpy as np
​
a = np.array([1, 2, 3], dtype=np.int32)  # 32位整数
b = np.array([255, 0], dtype=np.uint8)  # 8位无符号整数
print(a, b)
​
c = np.array([1.0, 2.5], dtype=np.float32)  # 单精度浮点
d = np.array([3.1415926535], dtype=np.float64)  # 双精度浮点
print(c, d)
​
e = np.array([1 + 2j, 3 + 4j], dtype=np.complex64)
print(e)
​
f = np.array([True, False], dtype=np.bool_)
print(f)
​
g = np.array(["hello", "numpy"], dtype=np.str_)  # Unicode
h = np.array([b"abc", b"123"], dtype=np.bytes_)  # 字节字符串
print(g, h)
​
i = np.array(["2023-01-01", "2024-12-31"], dtype="datetime64[D]")  # 天精度
j = np.array([1, 7], dtype="timedelta64[D]")  # 时间差（天）
print(i, j)
​
dt = np.dtype([("name", "U10"), ("age", "i4"), ("height", "f4")])
people = np.array([("Alice", 25, 1.65), ("Bob", 30, 1.80)], dtype=dt)
print(people)
print(people["age"])  # 访问字段

运行输出：

[1 2 3] [255   0]
[1.  2.5] [3.14159265]
[1.+2.j 3.+4.j]
[ True False]
['hello' 'numpy'] [b'abc' b'123']
['2023-01-01' '2024-12-31'] [1 7]
[('Alice', 25, 1.65) ('Bob', 30, 1.8 )]
[25 30]

NumPy 的数据类型比 Python 原生类型更精细，适合科学计算。选择合适的数据类型可以：

• 节省内存（如用 int8 代替 int64）

• 提高计算效率（如 float32 比 float64 更快）

• 确保精度（如避免整数溢出）。