徹底剖析numpy的資料型別

2021-08-11 04:45:17 字數 4660 閱讀 5607

numpy中，array的許多生成函式預設使用的是float64資料型別：

>>> a = np.ones((3, 3))


>>> a.dtype


dtype('float64')
但是，對於傳入引數為list的構造方式，則會視情況而進行自動型別確認：

>>> a = np.array([1, 2, 3])


>>> a.dtype


dtype('int32')


>>> a = np.array([1., 2., 3.])


>>> a.dtype


dtype('float64')
生成後的array還會根據需要自動進行向上型別轉換：

>>> a = np.array([1, 2, 3])


>>> a = a + 1.5


>>> a.dtype


dtype('float64')
但是，賦值操作卻不會引起array的型別發生變化：

>>> a = np.array([1, 2, 3])


>>> a.dtype


dtype('int64')


>>> a[0] = 1.9


# <-- 浮點數1.9會被強制轉換為int64型別


>>> a


array([1, 2, 3])
強制型別轉換操作：

>>> a = np.array([1.7, 1.2, 1.6])


>>> b = a.astype(int)   # <-- 強制型別轉換


>>> b.dtype


dtype('int32')
四捨五入取整：

>>> a = np.array([1.2, 1.5, 1.6, 2.5, 3.5, 4.5])


>>> b = np.around(a)


>>> b.dtype     # 取整後得到的array仍然是浮點型別


dtype('float64')


>>> c = np.around(a).astype(int)


>>> c.dtype


dtype('int32')
資料型別

實際大小

int8

8bit

int16

16bit

int32

32bit

int64

64bit

>>> np.array([1], dtype=int).dtype


dtype('int64')


>>> np.iinfo(np.int32).max, 2**31 - 1


(2147483647, 2147483647)
資料型別

實際大小

uint8

8bit

uint16

16bit

uint32

32bit

uint64

64bit

>>> np.iinfo(np.uint32).max, 2**32 - 1


(4294967295, 4294967295)
資料型別

實際大小

float16

16bit

float32

32bit

float64

64bit

float96

96bit

float128

128bit

>>> np.finfo(np.float32).eps


1.1920929e-07


>>> np.finfo(np.float64).eps


2.2204460492503131e-16


>>> np.float32(1e-8) + np.float32(1) == 1


true


>>> np.float64(1e-8) + np.float64(1) == 1


false
資料型別

實際大小

complex64

2個32bit浮點數

complex128

2個64bit浮點數

complex192

2個96bit浮點數

complex256

2個128bit浮點數

所謂自定義結構體，有點像c/c++裡面的struct，下面演示乙個這樣的自定義結構體，它有3個資料元素：

元素名稱

資料型別

sensor_code

長度為4的字串

position

float

value

float

>>> samples = np.zeros((6,), dtype=[('sensor_code', 's4'),


...                                 ('position', float), ('value', float)])


>>> samples.ndim


1>>> samples.shape


(6,)


>>> samples.dtype.names


('sensor_code', 'position', 'value')


>>> samples[:] = [('alfa',   1, 0.37), ('beta', 1, 0.11), ('tau', 1,   0.13),


...               ('alfa', 1.5, 0.37), ('alfa', 3, 0.11), ('tau', 1.2, 0.13)]


>>> samples     


array([('alfa', 1.0, 0.37), ('beta', 1.0, 0.11), ('tau', 1.0, 0.13),


('alfa', 1.5, 0.37), ('alfa', 3.0, 0.11), ('tau', 1.2, 0.13)],


dtype=[('sensor_code', 's4'), ('position', '), ('value', ')])
使用索引下標：

>>> samples['sensor_code']    


array(['alfa', 'beta', 'tau', 'alfa', 'alfa', 'tau'],


dtype='|s4')


>>> samples['value']


array([ 0.37,  0.11,  0.13,  0.37,  0.11,  0.13])


>>> samples[0]    


('alfa', 1.0, 0.37)


>>> samples[0]['sensor_code'] = 'tau'


>>> samples[0]    


('tau', 1.0, 0.37)
一次性取出兩列資料：

>>> samples[['position', 'value']]


array([(1.0, 0.37), (1.0, 0.11), (1.0, 0.13), (1.5, 0.37), (3.0, 0.11),


(1.2, 0.13)],


dtype=[('position', '), ('value', ')])
還可以進行條件篩選操作：

samples[samples['sensor_code'] == 'alfa']    


array([('alfa', 1.5, 0.37), ('alfa', 3.0, 0.11)],


dtype=[('sensor_code', 's4'), ('position', '), ('value', ')])
在構造array時，傳進去乙個mask引數，可以標識某部分資料為缺失/非法值

>>> x = np.ma.array([1, 2, 3, 4], mask=[0, 1, 0, 1])


>>> x


masked_array(data = [1 -- 3 --],


mask = [false


true


false


true],


fill_value = 999999)


>>> y = np.ma.array([1, 2, 3, 4], mask=[0, 1, 1, 1])


>>> x + y


masked_array(data = [2 -- -- --],


mask = [false


true


true


true],


fill_value = 999999)
一般來說，mask型別資料常常產生於一些數**算：

>>> np.ma.sqrt([1, -1, 2, -2]) 


masked_array(data = [1.0 -- 1.41421356237... --],


mask = [false


true


false


true],


fill_value = 1e+20)

NumPy 資料型別

numpy 支援比 python 更多種類的數值型別。下表顯示了 numpy 中定義的不同標量資料型別。序號資料型別及描述 1.bool 儲存為乙個位元組的布林值 真或假 2.int 預設整數，相當於 c 的long，通常為int32或int64 3.intc相當於 c 的int，通常為int32或...

NumPy 資料型別

numpy提供的數值型別，數值範圍比python提供的數值型別更大。numpy的數值型別，如下表所示 sn資料型別描述1 bool 布林值，取值ture false，占用乙個位元組 2int 是integer的預設型別。與c語言中的long型別相同，有可能是64位或32位。3intc 類似於c語言中...

Numpy資料型別

numpy是python的一種開源的數值計算擴充套件，是一些針對矩陣進行運算的模組。1.numpy介紹 2.numpy 學習筆記 3.python中的list和array的不同之處 4.python列表 numpy陣列與矩陣的區別 1.python中的list和np.array的不同之處 numpy...