NumPy之:数据类型

2022-05-01 122

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

简介： NumPy之:数据类型

简介

我们知道Python中有4种数字类型，分别是int，float，bool和complex。作为科学计算的NumPy，其数据类型更加的丰富。

今天给大家详细讲解一下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，我们可以对标一下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	说明
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).

我们在Ipython环境中随机查看一下上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

所以上面的数据类型，其底层还是固定长度的数据类型，我们看下到底有哪些：

Numpy 类型	C 类型	说明
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。常用的有5种基本类型，分别是bool，int，uint，float和complex。

类型后面带的数字表示的是该类型所占的字节数。

上面表格中有一些 Platform-defined的数据类型，这些类型是跟平台相关的，在使用的时候要特别注意。

这些dtype类型可以在创建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)

由于历史原因，为了向下兼容，我们也可以在创建数组的时候指定字符格式的dtype。

>>> np.array([1, 2, 3], dtype='f')
array([ 1.,  2.,  3.], dtype=float32)

上面的 f 表示的是float类型。

类型转换

如果想要转换一个现有的数组类型，可以使用数组自带的astype方法，也可以调用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)

注意，上面我们使用了 float ， Python将会把float 自动替换成为 np.float_，同样的简化格式还有 int == np.int_, bool == np.bool_, complex == np.complex_. 其他的数据类型不能使用简化版本。

查看类型

查看一个数组的数据类型可以使用自带的dtype属性：

In [37]: z.dtype
Out[37]: dtype('uint8')

dtype作为一个对象，本身也可以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围是会报异常的。比如我们有一个非常长的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(1000000000000000000000000000
000000000000000000000000000)

上面的数字太长了，超出了int32的范围，就会抛出异常。

但是NumPy的有些操作，如果超出范围之后，并不会报异常，而是正常范围，这时候我们就需要注意了：

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提供了两个方法来测量int和float的范围，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，可以使用np.float64，float64可以使用科学计数法，所以能够得到更大范围的结果，但是其精度可能会缩小。

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

NumPy之:数据类型

简介

数组中的数据类型

类型转换

查看类型

数据溢出

热门文章

最新文章

相关课程

相关电子书