NumPy資料型別

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。

NumPy 數位型別是dtype(資料型別)物件的範例，每個物件具有唯一的特徵。 這些型別可以是np.bool_，np.float32等。

資料型別物件 (dtype)

資料型別物件描述了對應於陣列的固定記憶體塊的解釋，取決於以下方面：

• 資料型別(整數、浮點或者 Python 物件)

• 資料大小

• 位元組序(小端或大端)

• 在結構化型別的情況下，欄位的名稱，每個欄位的資料型別，和每個欄位佔用的記憶體塊部分。

• 如果資料型別是子序列，它的形狀和資料型別。

位元組順序取決於資料型別的字首<或>。<意味著編碼是小端(最小有效位元組儲存在最小地址中)。>意味著編碼是大端(最大有效位元組儲存在最小地址中)。

dtype可由一下語法構造：

numpy.dtype(object, align, copy)

引數為：

• Object：被轉換為資料型別的物件。

• Align：如果為true，則向欄位新增間隔，使其類似 C 的結構體。

• Copy? 生成dtype物件的新副本，如果為flase，結果是內建資料型別物件的參照。

範例 1

# 使用陣列標量型別  
import numpy as np 
dt = np.dtype(np.int32)  
print dt

輸出如下：

int32

範例 2

#int8，int16，int32，int64 可替換為等價的字串 'i1'，'i2'，'i4'，以及其他。  
import numpy as np 

dt = np.dtype('i4')  
print dt

輸出如下：

int32

範例 3

# 使用端記號  
import numpy as np 
dt = np.dtype('>i4')  
print dt

輸出如下：

>i4

下面的例子展示了結構化資料型別的使用。 這裡宣告了欄位名稱和相應的標量資料型別。

範例 4

# 首先建立結構化資料型別。  
import numpy as np 
dt = np.dtype([('age',np.int8)])  
print dt

輸出如下：

[('age', 'i1')]

範例 5

# 現在將其應用於 ndarray 物件  
import numpy as np 

dt = np.dtype([('age',np.int8)]) 
a = np.array([(10,),(20,),(30,)], dtype = dt)  
print a

輸出如下：

[(10,) (20,) (30,)]

範例 6

# 檔案名稱可用於存取 age 列的內容  
import numpy as np 

dt = np.dtype([('age',np.int8)]) 
a = np.array([(10,),(20,),(30,)], dtype = dt)  
print a['age']

輸出如下：

[10 20 30]

範例 7

以下範例定義名為 student 的結構化資料型別，其中包含字串欄位name，整數位段age和浮點欄位marks。 此dtype應用於ndarray物件。

import numpy as np 
student = np.dtype([('name','S20'),  ('age',  'i1'),  ('marks',  'f4')])  
print student

輸出如下：

[('name', 'S20'), ('age', 'i1'), ('marks', '<f4')])

範例 8

import numpy as np 

student = np.dtype([('name','S20'),  ('age',  'i1'),  ('marks',  'f4')]) 
a = np.array([('abc',  21,  50),('xyz',  18,  75)], dtype = student)  
print a

輸出如下：

[('abc', 21, 50.0), ('xyz', 18, 75.0)]

每個內建型別都有一個唯一定義它的字元程式碼：

• 'b'：布林值

• 'i'：符號整數

• 'u'：無符號整數

• 'f'：浮點

• 'c'：複數浮點

• 'm'：時間間隔

• 'M'：日期時間

• 'O'：Python 物件

• 'S', 'a'：位元組串

• 'U'：Unicode

• 'V'：原始資料(void)