NumPy之:数据类型对象dtype

简介

之前讲到了NumPy中有多种数据类型 每种数据类型都是一个dtype(numpy.dtype )对象。今天我们来详细讲解一下dtype对象。

dtype的定义

先看下dtype方法的定义

class numpy.dtype(obj, align False, copy False)

其作用就是将对象obj转成dtype类型的对象。

它带了两个可选的参数:

align – 是否按照C编译器的结构体输出格式对齐对象。Copy – 是拷贝对象 还是对对象的引用。

dtype可以用来描述数据的类型 int float Python对象等 描述数据的大小 数据的字节顺序 小端或大端 等。

可转换为dtype的对象

可转换的obj对象可以有很多种类型 我们一一来进行讲解

dtype对象

如果obj对象本身就是一个dtype对象 那么可以进行无缝转换。

None

不传的话 默认就是float_ 这也是为什么我们创建数组默认都是float类型的原因。

数组标量类型

内置的数组标量可以被转换成为相关的data-type对象。

前面一篇文章我们讲到了什么是数组标量类型。数组标量类型是可以通过np.type来访问的数据类型。 比如 np.int32, np.complex128等。

我们看下数组标量的转换

In [85]: np.dtype(np.int32)
Out[85]: dtype( int32 )
In [86]: np.dtype(np.complex128)
Out[86]: dtype( complex128 )

这些以np开头的内置数组标量类型可以参考我之前写的文章 “NumPy之:数据类型” 。

注意 数组标量并不是dtype对象 虽然很多情况下 可以在需要使用dtype对象的时候都可以使用数组标量。

通用类型

一些通用类型对象 可以被转换成为相应的dtype类型

通用类型对象dtype类型number, inexact, floatingfloatcomplexfloatingcfloatinteger, signedintegerint_unsignedintegeruintcharacterstringgeneric, flexiblevoid内置Python类型

一些Python内置的类型和数组标量类型是等价的 也可以被转换成为dtype

Python类型dtype类型intint_boolbool_floatfloat_complexcfloatbytesbytes_strstr_buffervoid(all others)object_

看下内置Python类型转换的例子

In [82]: np.dtype(float)
Out[82]: dtype( float64 )
In [83]: np.dtype(int)
Out[83]: dtype( int64 )
In [84]: np.dtype(object)
Out[84]: dtype( O )

带有.dtype属性的对象

任何type对象只要包含dtype属性 并且这个属性属于可以转换的范围的话 都可以被转换成为dtype。

一个字符的string对象

对于每个内置的数据类型来说都有一个和它对应的字符编码 我们也可以使用这些字符编码来进行转换

In [134]: np.dtype( b ) # byte, native byte order
Out[134]: dtype( int8 )
In [135]: np.dtype( H ) # big-endian unsigned short
Out[135]: dtype( u2 )
In [136]: np.dtype( f ) # little-endian single-precision float
Out[136]: dtype( float32 )
In [137]: np.dtype( d ) # double-precision floating-point number
Out[137]: dtype( float64 )

数组类型的String

Numpy中数组类型的对象有一个属性叫做typestr。

typestr描述了这个数组中存放的数据类型和长度。

typestr由三部分组成 第一部分是描述数据字节顺序 小端 大端。

第二部分是数组里面元素的基本类型

类型描述tBit field (following integer gives the number of bits in the bit field).bBoolean (integer type where all values are only True or False)iIntegeruUnsigned integerfFloating pointcComplex floating pointmTimedeltaMDatetimeOObject (i.e. the memory contains a pointer to PyObject)SString (fixed-length sequence of char)UUnicode (fixed-length sequence of Py_UNICODE)VOther (void * – each item is a fixed-size chunk of memory)

最后一部分就是数据的长度。

dtype支持下面几种类型的转换

类型描述 ? boolean b (signed) byte B unsigned byte i (signed) integer u unsigned integer f floating-point c complex-floating point m timedelta M datetime O (Python) objects S , a zero-terminated bytes (not recommended) U Unicode string V raw data (void)

我们看几个例子

In [137]: np.dtype( d )
Out[137]: dtype( float64 )
In [138]: np.dtype( i4 )
Out[138]: dtype( int32 )
In [139]: np.dtype( f8 )
Out[139]: dtype( float64 )
In [140]: np.dtype( c16 )
Out[140]: dtype( complex128 )
In [141]: np.dtype( a25 )
Out[141]: dtype( S25 )
In [142]: np.dtype( U25 )
Out[142]: dtype( U25 )

逗号分割的字符串

逗号分割的字符串可以用来表示结构化的数据类型。

对于这种结构化的数据类型也可以转换成为dtpye格式 转换后的dtype 将会以f1 f2, … fn-1作为名字来保存对应的格式数据。我们举个例子

In [143]: np.dtype( i4, (2,3)f8, f4 )
Out[143]: dtype([( f0 , i4 ), ( f1 , f8 , (2, 3)), ( f2 , f4 )])

上面的例子中 f0保存的是32位的整数 f1保存的是 2 x 3 数组的64-bit 浮点数。f2是一个32-bit 的浮点数。

再看另外一个例子

In [144]: np.dtype( a3, 3u8, (3,4)a10 )
Out[144]: dtype([( f0 , S3 ), ( f1 , u8 , (3,)), ( f2 , S10 , (3, 4))])

类型字符串

所有在numpy.sctypeDict.keys()中的字符 都可以被转换为dtype

In [146]: np.sctypeDict.keys()
Out[146]: dict_keys([ ? , 0, byte , b , 1, ubyte , B , 2, short , h , 3, ushort , H , 4, i , 5, uint , I , 6, intp , p , 7, uintp , P , 8, long , l , L , longlong , q , 9, ulonglong , Q , 10, half , e , 23, f , 11, double , d , 12, longdouble , g , 13, cfloat , F , 14, cdouble , D , 15, clongdouble , G , 16, O , 17, S , 18, unicode , U , 19, void , V , 20, M , 21, m , 22, bool8 , Bool , b1 , float16 , Float16 , f2 , float32 , Float32 , f4 , float64 , Float64 , f8 , float128 , Float128 , f16 , complex64 , Complex32 , c8 , complex128 , Complex64 , c16 , complex256 , Complex128 , c32 , object0 , Object0 , bytes0 , Bytes0 , str0 , Str0 , void0 , Void0 , datetime64 , Datetime64 , M8 , timedelta64 , Timedelta64 , m8 , int64 , uint64 , Int64 , UInt64 , i8 , u8 , int32 , uint32 , Int32 , UInt32 , i4 , u4 , int16 , uint16 , Int16 , UInt16 , i2 , u2 , int8 , uint8 , Int8 , UInt8 , i1 , u1 , complex_ , int0 , uint0 , single , csingle , singlecomplex , float_ , intc , uintc , int_ , longfloat , clongfloat , longcomplex , bool_ , unicode_ , object_ , bytes_ , str_ , string_ , int , float , complex , bool , object , str , bytes , a ])

使用的例子

In [147]: np.dtype( uint32 )
Out[147]: dtype( uint32 )
In [148]: np.dtype( float64 )
Out[148]: dtype( float64 )

元组

通过使用dtype构成的元组 我们可以生成新的dtype。

元组也有很多种方式。

(flexible_dtype, itemsize)

对于不固定长度的dtype 可以指定size

In [149]: np.dtype((np.void, 10))
Out[149]: dtype( V10 )
In [150]: np.dtype(( U , 10))
Out[150]: dtype( U10 )

(fixed_dtype, shape)

对于固定长度的dtype 可以指定shape

In [151]: np.dtype((np.int32, (2,2)))
Out[151]: dtype(( i4 , (2, 2)))
In [152]: np.dtype(( i4, (2,3)f8, f4 , (2,3)))
Out[152]: dtype(([( f0 , i4 ), ( f1 , f8 , (2, 3)), ( f2 , f4 )], (2, 3)))

[(field_name, field_dtype, field_shape), …]

list中的元素是一个个的field 每个field都是由2-3个部分组成的 分别是field名字 field类型 field的shape。

field_name如果是 ’ ‘的话 就会使用默认的f1 f2 ….作为名字。field_name 也可以是一个2元组 由title 和 name 组成。

field_dtype 就是field的dtype类型。

shape是一个可选字段 如果field_dtype是一个数组的话 就需要指定shape。

In [153]: np.dtype([( big , i4 ), ( little , i4 )])
Out[153]: dtype([( big , i4 ), ( little , i4 )])

上面是两个字段 一个是大端的32位的int 一个是小端的32位的int。

In [154]: np.dtype([( R , u1 ), ( G , u1 ), ( B , u1 ), ( A , u1 )])
Out[154]: dtype([( R , u1 ), ( G , u1 ), ( B , u1 ), ( A , u1 )])

四个字段 每个都是无符号整形。

{‘names’: …, ‘formats’: …, ‘offsets’: …, ‘titles’: …, ‘itemsize’: …}

这种写法可以指定name列表和formats列表

In [157]: np.dtype({ names : [ r , g , b , a ], formats : [np.uint8, np.uint8, np.uint8, np.uint8]})
Out[157]: dtype([( r , u1 ), ( g , u1 ), ( b , u1 ), ( a , u1 )])

offsets 指的是每个字段的byte offsets。titles 是字段的title itemsize 是整个dtype的size。

In [158]: np.dtype({ names : [ r , b ], formats : [ u1 , u1 ],
 ...: offsets : [0, 2],
 ...: titles : [ Red pixel , Blue pixel ]})
 ...:
Out[158]: dtype({ names :[ r , b ], formats :[ u1 , u1 ], offsets :[0,2], titles :[ Red pixel , Blue pixel ], itemsize :3})

(base_dtype, new_dtype)

可以将基本的dtype类型转换为结构化的dtype类型

In [159]: np.dtype((np.int32,{ real :(np.int16, 0), imag :(np.int16, 2)}))
Out[159]: dtype([( real , i2 ), ( imag , i2 )])

32位的int转换成两个16位的int。

In [161]: np.dtype(( i4 , [( r , u1 ),( g , u1 ),( b , u1 ),( a , u1 )]))
Out[161]: dtype([( r , u1 ), ( g , u1 ), ( b , u1 ), ( a , u1 )])

32位的int 转换成4个unsigned integers。

本文已收录于 http://www.flydean.com/04-python-numpy-datatype-obj/

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/783884
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！