前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >NumPy之:数据类型

NumPy之:数据类型

作者头像
程序那些事
发布2021-05-11 14:38:51
6620
发布2021-05-11 14:38:51
举报
文章被收录于专栏:程序那些事

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_

bool

Boolean (True or False) stored as a byte

np.byte

signed char

Platform-defined

np.ubyte

unsigned char

Platform-defined

np.short

short

Platform-defined

np.ushort

unsigned short

Platform-defined

np.intc

int

Platform-defined

np.uintc

unsigned int

Platform-defined

np.int_

long

Platform-defined

np.uint

unsigned long

Platform-defined

np.longlong

long long

Platform-defined

np.ulonglong

unsigned long long

Platform-defined

np.half / np.float16

Half precision float: sign bit, 5 bits exponent, 10 bits mantissa

np.single

float

Platform-defined single precision float: typically sign bit, 8 bits exponent, 23 bits mantissa

np.double

double

Platform-defined double precision float: typically sign bit, 11 bits exponent, 52 bits mantissa.

np.longdouble

long double

Platform-defined extended-precision float

np.csingle

float complex

Complex number, represented by two single-precision floats (real and imaginary components)

np.cdouble

double complex

Complex number, represented by two double-precision floats (real and imaginary components).

np.clongdouble

long double complex

Complex 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:

代码语言:javascript
复制
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.int8

int8_t

Byte (-128 to 127)

np.int16

int16_t

Integer (-32768 to 32767)

np.int32

int32_t

Integer (-2147483648 to 2147483647)

np.int64

int64_t

Integer (-9223372036854775808 to 9223372036854775807)

np.uint8

uint8_t

Unsigned integer (0 to 255)

np.uint16

uint16_t

Unsigned integer (0 to 65535)

np.uint32

uint32_t

Unsigned integer (0 to 4294967295)

np.uint64

uint64_t

Unsigned integer (0 to 18446744073709551615)

np.intp

intptr_t

Integer used for indexing, typically the same as ssize_t

np.uintp

uintptr_t

Integer large enough to hold a pointer

np.float32

float

np.float64 / np.float_

double

Note that this matches the precision of the builtin python float.

np.complex64

float complex

Complex number, represented by two 32-bit floats (real and imaginary components)

np.complex128 / np.complex_

double complex

Note 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:

代码语言:javascript
复制
>>> import numpy as np
>>> x = np.float32(1.0)
>>> x
1.0
>>> y = np.int_([1,2,4])
>>> y
array([1, 2, 4])
>>> z = np.arange(3, dtype=np.uint8)
>>> z
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。

代码语言:javascript
复制
>>> 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:

代码语言:javascript
复制
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:

代码语言:javascript
复制
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:

代码语言:javascript
复制
>>> d = np.dtype(int)
>>> d
dtype('int32')

>>> np.issubdtype(d, np.integer)
True

>>> 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:

代码语言:javascript
复制
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:

代码语言:javascript
复制
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 :

代码语言:javascript
复制
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。

代码语言:javascript
复制
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
本文参与?腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2021-04-25,如有侵权请联系?cloudcommunity@tencent.com 删除

本文分享自 程序那些事 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与?腾讯云自媒体同步曝光计划? ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 简介
  • 数组中的数据类型
    • 类型转换
      • 查看类型
      • 数据溢出
      领券
      问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档
      http://www.vxiaotou.com