AI智能
改变未来

NumPy之:数据类型

目录

  • 简介
  • 数组中的数据类型类型转换
  • 查看类型
  • 数据溢出
  • 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!

    赞(0) 打赏
    未经允许不得转载:爱站程序员基地 » NumPy之:数据类型