爱站程序员基地目录
- 简介
- dtype的定义
- 可转换为dtype的对象dtype对象
- None
- 数组标量类型
- 通用类型
- 内置Python类型
- 带有.dtype属性的对象
- 一个字符的string对象
- 数组类型的String
- 逗号分割的字符串
- 类型字符串
- 元组(flexible_dtype, itemsize)
- (fixed_dtype, shape)
- [(field_name, field_dtype, field_shape), …]
- {\’names\’: …, \’formats\’: …, \’offsets\’: …, \’titles\’: …, \’itemsize\’: …}
- (base_dtype, new_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 ,ad8 floating |
float |
complexfloating |
cfloat |
integer , signedinteger |
int_ |
unsignedinteger |
uint |
character |
string |
generic , flexible |
void |
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 |
|---|---|
| int |
int_ |
| bool |
bool_ |
| float |
float_ |
| complex |
cfloat |
| bytes |
bytes_ |
| str |
str_ |
| buffer |
void |
| (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 orderOut[134]: dtype(\'int8\')In [135]: np.dtype(\'>H\') # big-endian unsigned shortOut[135]: dtype(\'>u2\')In [136]: np.dtype(\'<f\') # little-endian single-precision floatOut[136]: dtype(\'float32\')In [137]: np.dtype(\'d\') # double-precision floating-point numberOut[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 |
|---|---|
t |
Bit fiead8ld (following integer gives the number of bits in the bit field). |
b |
Boolean (integer type where all values are only True or False) |
i |
Integer |
u |
Unsigned integer |
f |
Floating point |
c |
Complex floating point |
m |
Timedelta |
M |
Datetime |
O |
Object (i.e. the memory contains a pointer to PyObject) |
S |
String (fixed-length sequence of char) |
U |
Unicode (fixed-length sequence of Py_UNICODE) |
V |
Other (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]: dtyad0pe([(\'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]:1cdcnp.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！
