Python库numpy之五

数据类型
- 数组类型和类型之间的转换
- 数值数据类型
- 字符串和字节的数据类型

数据类型

数组类型和类型之间的转换

NumPy 比 Python 支持更多种类的数值类型。

NumPy 数值类型是 numpy.dtype对象的实例，每个对象都具有独特的特征。可以使用 numpy 顶级API中的标量类型创建具有指定 dtype 的数组，例如numpy.bool、numpy.float32 等

这些标量类型作为许多 numpy 函数或方法接受的 dtype 关键字的参数。例如：

z = np.arange(3, dtype=np.uint8)
print("z vale: {0} type: {1} element type: {2}".format(z, type(z), type(z[0])))

显示输出

z vale: [0 1 2] type: <class 'numpy.ndarray'> element type: <class 'numpy.uint8'>

数组类型也可以通过字符代码引用，例如：

arr1 = np.array([1, 2, 3], dtype='f')
arr2 = np.array([1, 2, 3], dtype='d')
print("arr1 val: {0}, type: {1} element type: {2}".format(arr1, type(arr1), type(arr1[0])))
print("arr2 val: {0}, type: {1} element type: {2}".format(arr2, type(arr2), type(arr2[0])))

显示输出

arr1 val: [1. 2. 3.], type: <class 'numpy.ndarray'> element type: <class 'numpy.float32'>
arr2 val: [1. 2. 3.], type: <class 'numpy.ndarray'> element type: <class 'numpy.float64'>

如果要转换数组的类型，可以使用 .astype() 方法。例如：

z = np.arange(3, dtype=np.uint8)
d = z.astype(np.float64)
d2 = z.astype(float)
print("z val: {0} type: {1} element type: {2}".format(z, type(z), type(z[0])))
print("d val: {0} type: {1} element type: {2}".format(d, type(d), type(d[0])))
print("d2 val: {0} type: {1} element type: {2}".format(d2, type(d2), type(d2[0])))

显示输出

z val: [0 1 2] type: <class 'numpy.ndarray'> element type: <class 'numpy.uint8'>
d val: [0. 1. 2.] type: <class 'numpy.ndarray'> element type: <class 'numpy.float64'>
d2 val: [0. 1. 2.] type: <class 'numpy.ndarray'> element type: <class 'numpy.float64'>

上述代码中，d2使用 Python float 对象作为数据类型，而不是 numpy.float64。
NumPy 知道 int 指的是 numpy.int_，bool 指的是 numpy.bool，float 指的是 numpy.float64，complex 指的是 numpy.complex128。其他数据类型没有 Python 等效项。

要确定数组的类型，可以直接使用数值对象的dtype属性：

z = np.array([1,2,3], dtype=int)
d = z.astype('d')
print("z val: {0} type: {1}".format(z, z.dtype))
print("d val: {0} type: {1}".format(d, d.dtype))

显示输出

z val: [1 2 3] type: int64
d val: [1. 2. 3.] type: float64

数值数据类型

有 5 种基本数值类型，

bool，布尔值
int，整数
uint，无符号整数
float，浮点
complex，复数

基本数字类型名称与数字位数相结合定义了具体类型。位数是在内存中表示单个值所需的位数。例如，numpy.float64 是 64 位浮点数据类型。某些类型，例如 numpy.int_ 和 numpy.intp，具有不同的位数，具体取决于平台，例如 32 位与 64 位 CPU 架构。

字符串和字节的数据类型

除了数字类型之外，NumPy 还支持下列类型

numpy.str_，U 字符代码，存储 unicode 字符串。
numpy.bytes_，S 字符代码）存储以 null 结尾的字节序列。
numpy.void，V 字符代码。

以上都是固定宽度的数据类型。它们通过宽度，以字节或 unicode 点为单位，进行参数化，数组中的单个数据元素必须适合该宽度。这意味着使用此数据类型存储字节序列或字符串数组需要提前了解或计算最长文本或字节序列的大小。

例如，我们可以创建一个数组来存储单词“hello”和“world!”：

t1 = np.array(["hello", "world!"])
print("val: {0}  type: {1}".format(t1, t1.dtype))

显示输出

val: ['hello' 'world!']  type: <U6

这里，数据类型被检测为 unicode 字符串，其长度最多为 6 个代码点，足以存储两个条目而不被截断。如果我们指定更短或更长的数据类型，则字符串将被截断或补零，以适合指定的宽度：

t1 = np.array(["hello", "world!"], dtype="U5")
t2 = np.array(["hello", "world!"], dtype="U7")print("val: {0}  type: {1}".format(t1, t1.dtype))
print("val: {0}  type: {1}".format(t2, t2.dtype))

显示输出

val: ['hello' 'world']  type: <U5
val: ['hello' 'world!']  type: <U7

对t1，最大长度为5, 所以字符！被截断。

如果我们使用 bytes 数据类型，并要求 NumPy 打印出数组缓冲区中的字节，我们可以更清楚地看到零填充：

t1 = np.array(["hello", "world"], dtype="S5").tobytes()
t2 = np.array(["hello", "world!"], dtype="S6").tobytes()
t3 = np.array(["hello", "world!"], dtype="S7").tobytes()print("t1 val: {0}, type: {1} ".format(t1, type(t1)))
print("t2 val: {0}, type: {1} ".format(t2, type(t2)))
print("t3 val: {0}, type: {1} ".format(t3, type(t3)))

t1 val: b'helloworld', type: <class 'bytes'>
t2 val: b'hello\x00world!', type: <class 'bytes'>
t3 val: b'hello\x00\x00world!\x00', type: <class 'bytes'>