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：