NumPy 数据类型

numpy 支持的数据类型比 Python 内置的类型要多很多，基本上可以和 C 语言的数据类型对应上，其中部分类型对应为 Python 内置的类型。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。

数据类型对象 (dtype)

数据类型对象dtype是numpy.dtype类的实例。它可以使用numpy.dtype创建。到目前为止，我们在numpy数组的例子中只使用了基本的数字数据类型，如int和float。这些numpy数组仅包含同类数据类型。dtype对象还可以包括基本数据类型的组合。在dtype的帮助下，我们能够创建“结构化数组”（“Structured Arrays”），也称为“记录数组”（“Record Arrays”）。结构化数组使我们能够为每列提供不同的数据类型。它与excel或csv文档的结构相似。

 

数据类型对象（numpy.dtype 类的实例）用来描述与数组对应的内存区域是如何使用，它描述了数据的以下几个方面：：

  • 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所取的内存块的部分
  • 如果数据类型是子数组，那么它的形状和数据类型是什么。

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(最小值存储在最小的地址，即低位组放在最前面)。> 意味着大端法(最重要的字节存储在最小的地址，即高位组放在最前面)。

大端模式 (big-endian)


是指数据的高字节保存在内存的低地址中，而数据的低字节保存在内存的高地址中，这样的存储模式有点儿类似于把数据当作字符串顺序处理：地址由小向大增加，而数据从高位往低位放；这和我们的阅读习惯一致。


小端模式 (little-endian)


是指数据的高字节保存在内存的高地址中，而数据的低字节保存在内存的低地址中，这种存储模式将地址的高低和数据位权有效地结合起来，高地址部分权值高，低地址部分权值低，和我们的逻辑方法一致。

python数组与numpy数组 python numpy数组类型_数据类型

 

 例如一个16bit的short型x，在内存中的地址为0x0010，x的值为0x1122，那么0x11为高字节，0x22为低字节。

对于大端模式，就将0x11放在低地址中，即0x0010中，0x22放在高地址中，即0x0011中。

小端模式，刚好相反。我们常用的X86结构是小端模式，而KEIL C51则为大端模式。很多的ARM，DSP都为小端模式。

 

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。

实例

接下来我们可以通过实例来理解。

 

标量数据类型

实例 1

import numpy as np
# 使用标量类型
dt = np.dtype(np.int32)
print(dt)
int32

实例 2

import numpy as np
# int8, int16, int32, int64 四种数据类型可以使用字符串 'i1', 'i2','i4','i8' 代替
dt = np.dtype('i4')
print(dt)
int32

实例 3

import numpy as np
# 字节顺序标注
dt = np.dtype('<i4') ##  < 意味着小端法
print(dt)
int32

 

结构化数据类型

可以把结构化的数组看为二维的表格，表格有若干列（字段），若干行（一行对应一个列表元素）。

列的名称和数据类型可以用结构化数据类型。一行是一个元组。

 

下面实例展示结构化数据类型的使用，类型字段和对应的实际类型将被创建。

实例 4

# 首先创建结构化数据类型
import numpy as np
dt = np.dtype([('age',np.int8)])  # 字段名称 字段类型； 列表里面嵌套元组
print(dt)

输出结果为：

[('age', 'i1')]

实例 5

# 将数据类型应用于 ndarray 对象
import numpy as np
dt = np.dtype([('age',np.int8)])  # 字段名称 字段类型； 列表里面嵌套元组
a = np.array([(10,),(20,),(30,)], dtype = dt)  # 列表里面嵌套元组
print(a)
[(10,) (20,) (30,)]

实例 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)]) # 字段名称 字段类型  # 列表里面嵌套元组
a = np.array([(10,),(20,),(30,)], dtype = dt)   # 列表里面嵌套元组
print(a['age'])
[10 20 30]

下面的示例定义一个结构化数据类型

实例 7

import numpy as np
student = np.dtype([('name','S20'), ('age', 'i1'), ('marks', 'f4')]) # 字段名称 字段类型  # 列表里面嵌套元组
print(student)

输出结果为：

[('name', 'S20'), ('age', 'i1'), ('marks', 'f4')]

实例 8

import numpy as np
student = np.dtype([('name','S20'), ('age', 'i1'), ('marks', 'f4')]) # 字段名称 字段类型 # 列表里面嵌套元组
a = np.array([('abc', 21, 50),('xyz', 18, 75)], dtype = student)   # 列表里面嵌套元组
print(a)

 输出结果为：

[('abc', 21, 50.0), ('xyz', 18, 75.0)]

 

示例：

import numpy as np
person=np.array([(1,"lisi",23,"man"),(2,"wangwu",26,"woman")], \
        dtype=[('id','i4'),('name', 'S20'),('age', 'i4'), ('sex', 'S10')])
print(person['name'])

 

 

 

每个内建类型都有一个唯一定义它的字符代码，如下：

字符

对应类型

b

布尔型

i

(有符号) 整型

u

无符号整型 integer

f

浮点型

c

复数浮点型

m

timedelta（时间间隔）

M

datetime（日期时间）

O

(Python) 对象

S, a

(byte-)字符串

U

Unicode

V

原始数据 (void)

 

 

 补充：

np.nan_to_num

该函数的作用：用零替换NaN，用最大的有限数替换无穷大
如果“x”不精确，则NaN由零代替，无穷大和-无穷大分别由可由“x . dt type”表示的最大和最负的有限浮点值代替。
代码如下：

np.nan_to_num(np.inf)      #1.7976931348623157e+308
np.nan_to_num(-np.inf)     #-1.7976931348623157e+308
np.nan_to_num(np.nan)      #0.0
x = np.array([np.inf, -np.inf, np.nan, -128, 128])
np.nan_to_num(x)          #array([ 1.79769313e+308, -1.79769313e+308, 0.00000000e+000, -1.28000000e+002, 1.28000000e+002])————————————————

 

REF

https://zhuanlan.zhihu.com/p/369993768 （NumPy之:结构化数组详解）

https://vimsky.com/examples/usage/python-numpy.dtype.html

https://www.runoob.com/numpy/numpy-dtype.html