Типы данных NumPy

Учебник Numpy

Объяснение типов данных NumPy и примеры

типы данных, т.е. dtype, также являются специальными объектами, которые содержат информацию о блоке памяти, необходимом для определенного типа данных ndarray (они также известны как метаданные, т.е. данные о данных). dtype является причиной, по которой NumPy может легко взаимодействовать с другими системами данных. Обычно другие системы предоставляют硬盘 или память и соответствующие данные, что упрощает чтение и запись данных с использованием языков низкого уровня, таких как C или Fortran. внутренние типы данных Pythonмного больше,基本上 можно соотнести с типами данных C, некоторые из которых соответствуют内置ым типам Python. В таблице приведены часто используемые базовые типы NumPy.

Если вы не можете запомнить эти dtype NumPy, это не проблема, особенно для начинающих. Обычно вам нужно знать только приблизительный тип данных, с которыми вы работаете, это плавающая точка, комплексное число, целое число, логическое значение, строка или обычный объект Python. Когда вам нужно контролировать способ хранения данных в памяти и на диске (особенно для больших наборов данных), вам нужно знать, как контролировать тип хранения.

Числовые типы numpy на самом деле являются экземплярами объектов dtype и соответствуют уникальным символам, включая np.bool_, np.int32, np.float32 и т.д.

Объект типа данных (dtype)

Объект типа данных используется для описания того, как использовать область памяти, соответствующую массиву, и зависит от следующих аспектов:

Тип данных - Например, целое число, плавающая точка, комплексное число, логическое значение, строка или объект Python.Размер данных - Например, сколько байт используется для хранения целого числа.Байт-орядок данных - Малый или большой порядок

Байт-орядок определяется предварительным установлением "<" или ">" для типа данных. "<" означает малый порядок (наименьшее значение хранится в наименьшем адресе, то есть低位 группируются спереди). ">" означает большой порядок (наиболее важные байты хранятся в наименьшем адресе, то есть высокий порядок группируются спереди).

Объект dtype создается с помощью следующей синтаксической структуры:

　numpy.dtype(object, align, copy)

object - объект данных, который нужно преобразоватьalign - если true, заполняет поля, чтобы они были подобны структурам C.copy - копирование объекта dtype, если false, то это ссылка на встроенный объект данных

Пример

Далее мы можем понять это на примере.

>>> import numpy as np
>>> a = np.dtype(np.float32)
>>> print(a)
float32

# int8, int16, int32, int64 четыре типа данных можно заменить строками 'i1', 'i2', 'i4', 'i8'　
>>> import numpy as np
>>> a = np.dtype('i8')
>>> print(a)
int64

Ниже приведен пример использования структурированного типа данных, типовое поле и соответствующие им фактические типы будут созданы.

>>> import numpy as np
>>> a = np.dtype([('number',np.int16)])  # Тип данных применяется к объекту ndarray　
>>> print(a)
[('number', '<i2')]
>>> arr = np.array([(1,),(2,),(3,)], dtype = a)
>>> print(arr)
[(1,) (2,) (3,)]
>>> print(arr['number'])  # Название поля типа можно использовать для доступа к реальному столбцу number
[1 2 3]

Ниже приведен пример определения структурированного типа данных animal, который содержит строковое поле name, целочислое поле age и плавкомпактное поле marks, и этот dtype применяется к объекту ndarray.

>>> import numpy as np
>>> animal = np.dtype([('name','S20'), ('age', 'i1'), ('marks', 'f4')])
>>> print(animal)
[('name', 'S20'), ('age', 'i1'), ('marks',')
　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　<f4')]　
>>> a = np.array([('cat', 5, 10),('dog', 4, 35),('lion',8,18)], dtype = animal)
>>> print(a)
[(b'cat', 5, 10.) (b'dog', 4, 35.) (b'lion', 8, 18.)]

Использование метода astype позволяет явно конвертировать тип данных массива, пример приведен ниже:

>>> import numpy as np
>>> arr = np.array([1,2,3,4,5])
>>> print(arr.dtype)
int64
>>> print(arr)
[1 2 3 4 5]
>>> float_arr = arr.astype('float32')  # 也可以写作 arr.astype(np.float32)
>>> print(float_arr.dtype)
float32
>>> print(float_arr)
[1. 2. 3. 4. 5.]

Можно также использовать тип данных dtype другого массива для преобразования типов данных, примеры см. ниже:

>>> import numpy as np
>>> int_arr = np.arange(10)
>>> calibers = np.array([.22,　.270,　.357],　dtype=np.float64)
>>> print(calibers)
[0.22　0.27　0.357]
>>> arr_last = int_arr.astype(calibers.dtype)
>>> print(arr_last.dtype)
float64
>>> print(arr_last)
[0.　1.　2.　3.　4.　5.　6.　7.　8.　9.]

Каждый вградленный тип имеет уникальный код символа, например: