NumPy的数据类型

NumPy支持的数据类型远比Python本身要多，下表给出了NumPy中定义的标量类型。

NumPy的数值类型是dtype对象的实例，每个实例都有唯一的字符对应。如np.bool_，np.float32，np.uint32等。

内建数据类型的字符代码

每个内置数据类型都有一个唯一字符代码进行标识，其对应情况如下所示：

数据类型对象-dtype

数据类型对象(data type object)（numpy.dtype类的实例）用于描述数组元素在固定大小的内存区域存储的方式。其主要描述了数据以下几个方面：

（1）数据的类型（如整型、浮点型、Python对象等）；

（2）数据的大小（如整型使用多少字节进行存储）；

（3）数据的字节顺序（大端方式或小端方式）；

（4）如果数据类型是结构化类型（其他数据类型的集合：由简单数据类型组成的命名的序列），则需要说明字段的名称（以便进行访问）、每个字段的数据类型、每个字段占用的内存哪一部分。

（5）如果数据类型是子数组，则其形状（shape）和数据类型是什么。

字节顺序通过在数据类型前加上‘<’或‘>’来决定。
‘<’表示编码是小端方式的（最低有效位存储在最小地址中）。
‘>’表示编码是大端方式的（最高有效字节存储在最小地址中）。

指定和构造数据类型

当需要在NumPy函数或方法中需要数据类型时，就可以运用dype对象或可以转换为dtype对象的类型。

使用下面的语法方式进行构造：

numpy.dtype(object, align, copy)

其中，各参数的含义如下：

object - 要转换的数据类型对象

align - 如果为true，则填充字段，使其类似C的结构体

copy - 创建dtype对象的新副本。如果为false，则结果是对内置数据类型对象的引用

其中，align和copy两个参数是可选参数。

当object为None时，默认的数据类型为float64。

一些例子

下面使用一些例子来说明数据类型的具体使用方式。

（1）数组标量类型

import numpy as np
dt1 = np.dtype(np.int32)   # 32位整型数
dt2 = np.dtype(np.complex128)   # 128位浮点类型复数
print(dt1)
print(dt2)

输出结果如下：

int32
complex128

（2）使用字符表示的数据类型

import numpy as np
dt3 = np.dtype('?')
dt4 = np.dtype('b')
dt5 = np.dtype('B')
dt6 = np.dtype('f')
dt7 = np.dtype('i8')
dt8 = np.dtype('f2')
print(dt3, dt4, dt5, dt6, dt7, dt8)

输出结果如下：

bool  int8  uint8  float32  int64  float16

在上面的例子中，'i8'表示8个字节的整型数，因此输出int64，即64位整数。同样，'f2'表示2个字节的浮点数，输出的float16表示16位浮点数（半精度）。

（3）带端序的字符

下面的例子中使用带端序的字符串定义数据类型。

import numpy as np
dt9= np.dtype('>B')
dt10 = np.dtype('<f')
dt11 = np.dtype('=i')
dt12 = np.dtype('i')

print(dt9, dt10, dt11, dt12)

上面代码的输出结果如下：

uint8 float32 int32 int32

在上面的例子中 '=i' 和 'i' 的效果是相同的，也是在未指定 '>' (大端方式) 和 '<' (小端方式)时的默认值，即依赖于硬件情况。

（4）创建结构化数据类型

下面例子中演示了结构化类型的使用方式。

import numpy as np
dt13 = np.dtype([('age', np.int8)])
print(dt13)

输出结果如下：

[('age', 'i1')]

（5）将结构化数据类型运用于ndarray

下面例子说明了如何将结构化类型运用于ndarray对象。

import numpy as np
dt13 = np.dtype([('age', np.int8)])
arr = np.array([(10,), (20,), (30,)], dtype=dt13)
print(arr)

输出结果如下：

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

（6）访问结构化类型中的字段内容

下面例子给出了访问结构化类型中字段内容的方式。

import numpy as np
dt13 = np.dtype([('age', np.int8)])
arr = np.array([(10,), (20,), (30,)], dtype=dt13)
print(arr['age'])

输出结果如下：

[10 20 30]

（7）一个更复杂点的结构化类型

下面例子中定义了一个名为student的结构化数据类型，包含一个字符串类型的name字段，整型的age字段和float类型的marks字段。并将该dtype应用到ndarray对象。

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

输出结果如下：

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

（8）将复杂的结构化类型运用于ndarray对象

下面的例子将上例中定义的student结构化类型运用于数组定义中，并将定义的数组进行输出。

import numpy as np
student = np.dtype([('name', 'S20'), ('age', 'i1'), ('marks', 'f4')])
arr = np.array([('XiaoMing', 21, 85), ('FangHua', 18, 95)], dtype=student)
print(arr)

输出结果如下：

[(b'XiaoMing', 21, 85.) (b'FangHua', 18, 95.)]