一、numpy中的数据类型

一些更加详细的讲解可以参考如下链接

1.0 解释说明

numpy 的数值类型实际上是 dtype 对象的实例，并对应唯一的字符，包括 np.bool_，np.int32，np.float32，等等。

数据类型对象（numpy.dtype 类的实例）用来描述与数组对应的内存区域是如何使用，它描述了数据的以下几个方面：

• 数据类型（整数、浮点或者 Python 对象）
• 数据大小（例如， 整数使用多少个字节存储）
• 字节序（小端或大端）
• 在结构化类型的情况下，字段的名称，每个字段的数据类型，和每个字段占用的内存块部分。
• 如果数据类型是子序列，它的形状和数据类型。

每个内建类型都有一个唯一定义它的字符代码：

1.1 常用数据类型总览

共19个

举例：

针对如上所有的类型，都可以运行一下这个代码（把初始化类型换掉即可）

import numpy as np 
print("dtype: np.bool_")
numpy_arr = np.array([1, 2, 3, 4], dtype=np.bool_)
print(numpy_arr)
print(numpy_arr.dtype)

• 1
• 2
• 3
• 4
• 5

结果如下：

二、检查数组的数据类型，dtype对象的讲解

2.0 dtpye检查数组数据类型

使用print(type(numpy_arr))得到的结果都是

所求具体数据类型的方法：数组被初始化的时候会在内部有一个名为 dtype 对象，这个蕴含了所有数据类型的信息，直接打印可以得到numpy数组的数据类型。更加详细的信息可以打印dtpye对象的一些其他属性

举例

import numpy as np
numpy_arr =np.zeros((1,2))
print(numpy_arr)
print("数据类型对象名称：",numpy_arr.dtype)
print("实例化此数据类对象的标准类型对象：",numpy_arr.dtype.type)
print("识别一般数据类型对象的字符码：",numpy_arr.dtype.kind)
print("此数据类型对象的唯一字符码：",numpy_arr.dtype.char)
print("此数据类型对象的唯一编号：",numpy_arr.dtype.num)
print("此数据类型对象的协议类型字符串：",numpy_arr.dtype.str)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9

2.1 dtype对象的描述

数据的类型由以下 dtype 属性描述：

数据的大小依次由以下内容描述：

此数据的字符顺序：

有关结构化数据类型中的子数据类型的信息：

对于描述子数组的数据类型：

提供附加信息的属性：

数据类型具有以下更改字节顺序的方法：

以下方法实现腌制（pickle）协议：

dtype的赋值可以使用数据类型的全名类似于np.bool_，也可以使用等价字符串类似于b1。

举例

import numpy as np 
print("dtype: np.bool_")
numpy_arr = np.array([1, 2, 3, 4], dtype=np.bool_)
print(numpy_arr)
print(numpy_arr.dtype)

print("dtype: np.int_")
numpy_arr = np.array([1, 2, 3, 4], dtype=np.int_)
print(numpy_arr)
print(numpy_arr.dtype)

print("dtype: np.intc")
numpy_arr = np.array([1, 2, 3, 4], dtype=np.intc)
print(numpy_arr)
print(numpy_arr.dtype)

print("dtype: np.intp")
numpy_arr = np.array([1, 2, 3, 4], dtype=np.intp)
print(numpy_arr)
print(numpy_arr.dtype)



print("dtype: np.int8")
numpy_arr = np.array([1, 2, 3, 4], dtype=np.int8)
print(numpy_arr)
print(numpy_arr.dtype)

print("dtype: np.int16")
numpy_arr = np.array([1, 2, 3, 4], dtype=np.int16)
print(numpy_arr)
print(numpy_arr.dtype)

print("dtype: np.int32")
numpy_arr = np.array([1, 2, 3, 4], dtype=np.int32)
print(numpy_arr)
print(numpy_arr.dtype)

print("dtype: np.int64")
numpy_arr = np.array([1, 2, 3, 4], dtype=np.int64)
print(numpy_arr)
print(numpy_arr.dtype)

print("dtype: np.uint8")
numpy_arr = np.array([1, 2, 3, 4], dtype=np.uint8)
print(numpy_arr)
print(numpy_arr.dtype)

print("dtype: np.uint16")
numpy_arr = np.array([1, 2, 3, 4], dtype=np.uint16)
print(numpy_arr)
print(numpy_arr.dtype)

print("dtype: np.uint32")
numpy_arr = np.array([1, 2, 3, 4], dtype=np.uint32)
print(numpy_arr)
print(numpy_arr.dtype)

print("dtype: np.uint64")
numpy_arr = np.array([1, 2, 3, 4], dtype=np.uint64)
print(numpy_arr)
print(numpy_arr.dtype)

print("dtype: np.float_")
numpy_arr = np.array([1, 2, 3, 4], dtype=np.float_)
print(numpy_arr)
print(numpy_arr.dtype)

print("dtype: np.float16")
numpy_arr = np.array([1, 2, 3, 4], dtype=np.float16)
print(numpy_arr)
print(numpy_arr.dtype)

print("dtype: np.float32")
numpy_arr = np.array([1, 2, 3, 4], dtype=np.float32)
print(numpy_arr)
print(numpy_arr.dtype)

print("dtype: np.float64")
numpy_arr = np.array([1, 2, 3, 4], dtype=np.float64)
print(numpy_arr)
print(numpy_arr.dtype)

print("dtype: np.complex_")
numpy_arr = np.array([1, 2, 3, 4], dtype=np.complex_)
print(numpy_arr)
print(numpy_arr.dtype)

print("dtype: np.complex64")
numpy_arr = np.array([1, 2, 3, 4], dtype=np.complex64)
print(numpy_arr)
print(numpy_arr.dtype)

print("dtype: np.complex128")
numpy_arr = np.array([1, 2, 3, 4], dtype=np.complex128)
print(numpy_arr)
print(numpy_arr.dtype)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36
• 37
• 38
• 39
• 40
• 41
• 42
• 43
• 44
• 45
• 46
• 47
• 48
• 49
• 50
• 51
• 52
• 53
• 54
• 55
• 56
• 57
• 58
• 59
• 60
• 61
• 62
• 63
• 64
• 65
• 66
• 67
• 68
• 69
• 70
• 71
• 72
• 73
• 74
• 75
• 76
• 77
• 78
• 79
• 80
• 81
• 82
• 83
• 84
• 85
• 86
• 87
• 88
• 89
• 90
• 91
• 92
• 93
• 94
• 95
• 96
• 97

三、数据类型之间的转换

3.1 语法

使用numpy array内置的astype函数进行数据类型之间的转换

astype可由一下语法构造：

numpy_array.astype(target_type)

• 1

3.2 举例1

import numpy as np 
numpy_arr = np.array([1, 2, 3, 4], dtype='c8')
print(numpy_arr)
print(numpy_arr.dtype)
numpy_arr = numpy_arr.astype(np.bool_)
print(numpy_arr)
print(numpy_arr.dtype)

• 1
• 2
• 3
• 4
• 5
• 6
• 7

3.3 举例2

此处写的是float 而不是np.float64, Numpy很聪明，会将python类型映射到等价的dtype上

import numpy as np 
numeric_arr = np.array(['1.2','2.3','3.2141'], dtype=np.string_)
print(numeric_arr.dtype)
numeric_arr = numeric_arr.astype(float)
print(numeric_arr.dtype)

• 1
• 2
• 3
• 4
• 5

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-JBqjR1fd-1616055606864)(http://qiniu.daidaixiang.xyz/image-20210318155056480.png)]

四、新建自己的数据类型

numpy 的数据类型实际上是numpy.dtype对象的实例，并对应唯一的字符，包括np.bool_等等。

数据类型对象用来描述与数组对应的内存区域是如何使用，它描述了数据的以下几个方面：

• 数据类型（整数、浮点或者 Python 对象）
• 数据大小（例如， 整数使用多少个字节存储）
• 字节序（小端或大端）字节顺序是通过对数据类型预先设定 < 或 > 来决定的。 < 意味着小端法(最小值存储在最小的地址，即低位组放在最前面)。> 意味着大端法(最重要的字节存储在最小的地址，即高位组放在最前面)。
• 在结构化类型的情况下，字段的名称，每个字段的数据类型，和每个字段占用的内存块部分。
• 如果数据类型是子序列，它的形状和数据类型。

4.1 语法

dtype对象是使用以下语法构造的：

numpy.dtype(object, align, copy)

• 1

• object - 要转换为的数据类型对象
• align - 如果为 true，填充字段使其类似 C 的结构体。
• copy - 复制 dtype 对象 ，如果为 false，则是对内置数据类型对象的引用

4.2 举例

示例 1

# 使用数组标量类型  
import numpy as np 
dt = np.dtype(np.int32)  
print(dt)

• 1
• 2
• 3
• 4

输出如下：

int32

• 1

示例 2

#int8，int16，int32，int64 可替换为等价的字符串 'i1'，'i2'，'i4'，以及其他。  
import numpy as np 
dt = np.dtype('i4')  
print(dt)

• 1
• 2
• 3
• 4

输出如下：

int32

• 1

示例 3

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

• 1
• 2
• 3
• 4

输出如下：

>i4

• 1

下面的例子展示了结构化数据类型的使用。 这里声明了字段名称和相应的标量数据类型。

示例 4

# 首先创建结构化数据类型。  
import numpy as np 
dt = np.dtype([('age',np.int8)])  
print(dt)

• 1
• 2
• 3
• 4

输出如下：

[('age', 'i1')]

• 1

示例 5

# 现在将其应用于 ndarray 对象  
import numpy as np 
dt = np.dtype([('age',np.int8)]) 
a = np.array([(10,),(20,),(30,)], dtype = dt)  
print(a)

• 1
• 2
• 3
• 4
• 5

输出如下：

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

• 1

示例 6

# 文件名称可用于访问 age 列的内容  
import numpy as np 
dt = np.dtype([('age',np.int8)]) 
a = np.array([(10,),(20,),(30,)], dtype = dt)  
print(a['age'])

• 1
• 2
• 3
• 4
• 5

输出如下：

[10 20 30]

• 1

示例 7

以下示例定义名为 student 的结构化数据类型，其中包含字符串字段name，整数字段age和浮点字段marks。 此dtype应用于ndarray对象。

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

• 1
• 2
• 3

输出如下：

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

• 1

示例 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)

• 1
• 2
• 3
• 4

输出如下：

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

• 1

LAST、参考文献

numpy创建空数组_lsh呵呵-CSDN博客_空array

Numpy数据类型转换astype，dtype_Aurora Silent-CSDN博客

NumPy - 数据类型 · TutorialsPoint NumPy 教程

数据类型对象（dtype） | NumPy 中文

NumPy 数据类型 | 菜鸟教程