NumPy之:数据类型

简介

我们知道Python中有4种数字类型 分别是int float bool和complex。作为科学计算的NumPy 其数据类型更加的丰富。

今天给大家详细讲解一下NumPy中的数据类型。

数组中的数据类型

NumPy是用C语言来实现的 我们可以对标一下NumPy中数组中的数据类型跟C语言中的数据类型

Numpy 中的类型C 中的类型说明np.bool_boolBoolean (True or False) stored as a bytenp.bytesigned charPlatform-definednp.ubyteunsigned charPlatform-definednp.shortshortPlatform-definednp.ushortunsigned shortPlatform-definednp.intcintPlatform-definednp.uintcunsigned intPlatform-definednp.int_longPlatform-definednp.uintunsigned longPlatform-definednp.longlonglong longPlatform-definednp.ulonglongunsigned long longPlatform-definednp.half / np.float16Half precision float: sign bit, 5 bits exponent, 10 bits mantissanp.singlefloatPlatform-defined single precision float: typically sign bit, 8 bits exponent, 23 bits mantissanp.doubledoublePlatform-defined double precision float: typically sign bit, 11 bits exponent, 52 bits mantissa.np.longdoublelong doublePlatform-defined extended-precision floatnp.csinglefloat complexComplex number, represented by two single-precision floats (real and imaginary components)np.cdoubledouble complexComplex number, represented by two double-precision floats (real and imaginary components).np.clongdoublelong double complexComplex number, represented by two extended-precision floats (real and imaginary components).

我们在Ipython环境中随机查看一下上面的类型到底是什么

import numpy as np
In [26]: np.byte
Out[26]: numpy.int8
In [27]: np.bool_
Out[27]: numpy.bool_
In [28]: np.ubyte
Out[28]: numpy.uint8
In [29]: np.short
Out[29]: numpy.int16
In [30]: np.ushort
Out[30]: numpy.uint16

所以上面的数据类型 其底层还是固定长度的数据类型 我们看下到底有哪些

Numpy 类型C 类型说明np.int8int8_tByte (-128 to 127)np.int16int16_tInteger (-32768 to 32767)np.int32int32_tInteger (-2147483648 to 2147483647)np.int64int64_tInteger (-9223372036854775808 to 9223372036854775807)np.uint8uint8_tUnsigned integer (0 to 255)np.uint16uint16_tUnsigned integer (0 to 65535)np.uint32uint32_tUnsigned integer (0 to 4294967295)np.uint64uint64_tUnsigned integer (0 to 18446744073709551615)np.intpintptr_tInteger used for indexing, typically the same as ssize_tnp.uintpuintptr_tInteger large enough to hold a pointernp.float32floatnp.float64 / np.float_doubleNote that this matches the precision of the builtin python float.np.complex64float complexComplex number, represented by two 32-bit floats (real and imaginary components)np.complex128 / np.complex_double complexNote that this matches the precision of the builtin python complex.

所有这些类型都是 dtype 对象的实例。常用的有5种基本类型 分别是bool int uint float和complex。

类型后面带的数字表示的是该类型所占的字节数。

上面表格中有一些 Platform-defined的数据类型 这些类型是跟平台相关的 在使用的时候要特别注意。

这些dtype类型可以在创建数组的时候手动指定

 import numpy as np
 x np.float32(1.0)
 y np.int_([1,2,4])
array([1, 2, 4])
 z np.arange(3, dtype np.uint8)
array([0, 1, 2], dtype uint8)

由于历史原因 为了向下兼容 我们也可以在创建数组的时候指定字符格式的dtype。

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

上面的 f 表示的是float类型。

类型转换

如果想要转换一个现有的数组类型 可以使用数组自带的astype方法 也可以调用np的强制转换方法

In [33]: z np.arange(3, dtype np.uint8)
In [34]: z
Out[34]: array([0, 1, 2], dtype uint8)
In [35]: z.astype(float)
Out[35]: array([0., 1., 2.])
In [36]: np.int8(z)
Out[36]: array([0, 1, 2], dtype int8)

注意 上面我们使用了 float Python将会把float 自动替换成为 np.float_ 同样的简化格式还有 int np.int_, bool np.bool_, complex np.complex_. 其他的数据类型不能使用简化版本。

查看类型

查看一个数组的数据类型可以使用自带的dtype属性

In [37]: z.dtype
Out[37]: dtype( uint8 )

dtype作为一个对象 本身也可以进行一些类型判断操作

 d np.dtype(int)
dtype( int32 )
 np.issubdtype(d, np.integer)
 np.issubdtype(d, np.floating)
False

数据溢出

一般来说 如果超出了数据的范围是会报异常的。比如我们有一个非常长的int值

In [38]: a 1000000000000000000000000000000000000000000000000000000000000000000000000000000
In [39]: a
Out[39]: 1000000000000000000000000000000000000000000000000000000000000000000000000000000
In [40]: np.int(1000000000000000000000000000000000000000000000000000000)
Out[40]: 1000000000000000000000000000000000000000000000000000000
In [41]: np.int32(1000000000000000000000000000000000000000000000000000000)
---------------------------------------------------------------------------
OverflowError Traceback (most recent call last)
 ipython-input-41-71feb4433730 in module ()
---- 1 np.int32(1000000000000000000000000000000000000000000000000000000)

上面的数字太长了 超出了int32的范围 就会抛出异常。

但是NumPy的有些操作 如果超出范围之后 并不会报异常 而是正常范围 这时候我们就需要注意了

In [43]: np.power(100, 8, dtype np.int32)
Out[43]: 1874919424
In [44]: np.power(100, 8, dtype np.int64)
Out[44]: 10000000000000000

NumPy提供了两个方法来测量int和float的范围 numpy.iinfo 和 numpy.finfo

In [45]: np.iinfo(int)
Out[45]: iinfo(min -9223372036854775808, max 9223372036854775807, dtype int64)
In [46]: np.iinfo(np.int32)
Out[46]: iinfo(min -2147483648, max 2147483647, dtype int32)
In [47]: np.iinfo(np.int64)
Out[47]: iinfo(min -9223372036854775808, max 9223372036854775807, dtype int64)

如果64位的int还是太小的话 可以使用np.float64 float64可以使用科学计数法 所以能够得到更大范围的结果 但是其精度可能会缩小。

In [48]: np.power(100, 100, dtype np.int64)
Out[48]: 0
In [49]: np.power(100, 100, dtype np.float64)
Out[49]: 1e 200

本文已收录于 http://www.flydean.com/02-python-numpy-datatype/

最通俗的解读 最深刻的干货 最简洁的教程 众多你不知道的小技巧等你来发现

欢迎关注我的公众号:「程序那些事」,懂技术 更懂你

本文转自网络，原文链接：https://developer.aliyun.com/article/783724
本站部分内容转载于网络，版权归原作者所有，转载之目的在于传播更多优秀技术内容，如有侵权请联系QQ/微信：153890879删除，谢谢！