爱站程序员基地目录
- 简介
- 数组中的数据类型类型转换
- 查看类型
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 do3436uble |
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：
import numpy as npIn [26]: np.byteOut[26]: numpy.int8In [27]: np.bool_Out[27]: numpy.bool_In [28]: np.ubyteOut[28]: numpy.uint8In [29]: np.shortOut[29]: numpy.int16In [30]: np.ushortOut[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：
>>> import numpy as np>>> x = np.float32(1.0)>>> x1.0>>> y = np.int_([1,2,4])>>> yarray([1, 2, 4])>>> z = np.arange(3, dtype=np.uint8)>>> zarray([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。
>>> 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：
In [33]: z = np.arange(3, dtype=np.uint8)In [34]: zOut[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：
In [37]: z.dtypeOut[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：
>>> d = np.dtype(int)>>> ddtype(\'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：
In [38]: a= 1000000000000000000000000000000000000000000000000000000000000000000000000000000In [39]: aOut[39]: 1000000000000000000000000000000000000000000000000000000000000000000000000000000In [40]: np.int(1000000000000000000000000000000000000000000000000000000)Out[40]: 1000000000000000000000000000000000000000000000000000000In [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：
In [43]: np.power(100, 8, dtype=np.int32)Out[43]: 1874919424In [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 ：
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。
In [48]: np.power(100, 100, dtype=np.int64)Out[48]: 0In [49]: np.power(100, 100, dtype=np.float64)Out[49]: 1e+200
本文已收录于 http://www.flydean.com/02-python-numpy-datatype/
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！
