简介

咱们晓得 Python 中有 4 种数字类型，别离是 int，float，bool 和 complex。作为科学计算的 NumPy，其数据类型更加的丰盛。

明天给大家具体解说一下 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，咱们能够对标一下 NumPy 中数组中的数据类型跟 C 语言中的数据类型：

咱们在 Ipython 环境中随机查看一下下面的类型到底是什么：

import numpy as np

In [26]: np.byte
Out[26]: numpy.int8

In [27]: np.bool_
Out[27]: numpy.bool_

In [28]: np.ubyte
Out[28]: numpy.uint8

In [29]: np.short
Out[29]: numpy.int16

In [30]: np.ushort
Out[30]: numpy.uint16

所以下面的数据类型，其底层还是固定长度的数据类型，咱们看下到底有哪些：

所有这些类型都是 dtype 对象的实例。罕用的有 5 种根本类型，别离是 bool，int，uint，float 和 complex。

类型前面带的数字示意的是该类型所占的字节数。

下面表格中有一些 Platform-defined 的数据类型，这些类型是跟平台相干的，在应用的时候要特地留神。

这些 dtype 类型能够在创立数组的时候手动指定：

>>> import numpy as np
>>> x = np.float32(1.0)
>>> x
1.0
>>> y = np.int_([1,2,4])
>>> y
array([1, 2, 4])
>>> z = np.arange(3, dtype=np.uint8)
>>> z
array([0, 1, 2], dtype=uint8)

因为历史起因，为了向下兼容，咱们也能够在创立数组的时候指定字符格局的 dtype。

>>> np.array([1, 2, 3], dtype='f')
array([1.,  2.,  3.], dtype=float32)

下面的 f 示意的是 float 类型。

类型转换

如果想要转换一个现有的数组类型，能够应用数组自带的 astype 办法，也能够调用 np 的强制转换方法：

In [33]: z = np.arange(3, dtype=np.uint8)

In [34]: z
Out[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)

留神，下面咱们应用了 float，Python 将会把 float 主动替换成为 np.float_，同样的简化格局还有 int == np.int_, bool == np.bool_, complex == np.complex_. 其余的数据类型不能应用简化版本。

查看类型

查看一个数组的数据类型能够应用自带的 dtype 属性：

In [37]: z.dtype
Out[37]: dtype('uint8')

dtype 作为一个对象，自身也能够进行一些类型判断操作：

>>> d = np.dtype(int)
>>> d
dtype('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畴是会报异样的。比方咱们有一个十分长的 int 值：

In [38]: a= 1000000000000000000000000000000000000000000000000000000000000000000000000000000

In [39]: a
Out[39]: 1000000000000000000000000000000000000000000000000000000000000000000000000000000

In [40]: np.int(1000000000000000000000000000000000000000000000000000000)
Out[40]: 1000000000000000000000000000000000000000000000000000000

In [41]: np.int32(1000000000000000000000000000000000000000000000000000000)
---------------------------------------------------------------------------
OverflowError                             Traceback (most recent call last)
<ipython-input-41-71feb4433730> in <module>()
----> 1 np.int32(1000000000000000000000000000000000000000000000000000000)

下面的数字太长了，超出了 int32 的范畴，就会抛出异样。

然而 NumPy 的有些操作，如果超出范围之后，并不会报异样，而是失常范畴，这时候咱们就须要留神了：

In [43]: np.power(100, 8, dtype=np.int32)
Out[43]: 1874919424

In [44]: np.power(100, 8, dtype=np.int64)
Out[44]: 10000000000000000

NumPy 提供了两个办法来测量 int 和 float 的范畴，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，能够应用 np.float64，float64 能够应用迷信计数法，所以可能失去更大范畴的后果，然而其精度可能会放大。

In [48]: np.power(100, 100, dtype=np.int64)
Out[48]: 0

In [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/

最艰深的解读，最粗浅的干货，最简洁的教程，泛滥你不晓得的小技巧等你来发现！

欢送关注我的公众号:「程序那些事」, 懂技术，更懂你！