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!