关于python:NumPy之数据类型

48次阅读

共计 4667 个字符,预计需要花费 12 分钟才能阅读完成。

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:

Numpy 中的类型 C 中的类型 阐明
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 double 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).

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:

Numpy 类型 C 类型 阐明
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。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!

正文完
 0