NumPy之:数据类型

末蓝、 2023-01-15 15:24 171阅读 0赞

### 文章目录 ###

*  简介
 *  数组中的数据类型
 *   *  类型转换
     *  查看类型
 *  数据溢出

# 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：

<table> 
 <thead> 
 <tr> 
 <th align="left">Numpy 中的类型</th> 
 <th align="left">C 中的类型</th> 
 <th align="left">说明</th> 
 </tr> 
 </thead> 
 <tbody> 
 <tr> 
 <td align="left">np.bool_</td> 
 <td align="left"><code>bool</code></td> 
 <td align="left">Boolean (True or False) stored as a byte</td> 
 </tr> 
 <tr> 
 <td align="left">np.byte</td> 
 <td align="left"><code>signed char</code></td> 
 <td align="left">Platform-defined</td> 
 </tr> 
 <tr> 
 <td align="left">np.ubyte</td> 
 <td align="left"><code>unsigned char</code></td> 
 <td align="left">Platform-defined</td> 
 </tr> 
 <tr> 
 <td align="left">np.short</td> 
 <td align="left"><code>short</code></td> 
 <td align="left">Platform-defined</td> 
 </tr> 
 <tr> 
 <td align="left">np.ushort</td> 
 <td align="left"><code>unsigned short</code></td> 
 <td align="left">Platform-defined</td> 
 </tr> 
 <tr> 
 <td align="left">np.intc</td> 
 <td align="left"><code>int</code></td> 
 <td align="left">Platform-defined</td> 
 </tr> 
 <tr> 
 <td align="left">np.uintc</td> 
 <td align="left"><code>unsigned int</code></td> 
 <td align="left">Platform-defined</td> 
 </tr> 
 <tr> 
 <td align="left">np.int_</td> 
 <td align="left"><code>long</code></td> 
 <td align="left">Platform-defined</td> 
 </tr> 
 <tr> 
 <td align="left">np.uint</td> 
 <td align="left"><code>unsigned long</code></td> 
 <td align="left">Platform-defined</td> 
 </tr> 
 <tr> 
 <td align="left">np.longlong</td> 
 <td align="left"><code>long long</code></td> 
 <td align="left">Platform-defined</td> 
 </tr> 
 <tr> 
 <td align="left">np.ulonglong</td> 
 <td align="left"><code>unsigned long long</code></td> 
 <td align="left">Platform-defined</td> 
 </tr> 
 <tr> 
 <td align="left">np.half / np.float16</td> 
 <td align="left"></td> 
 <td align="left">Half precision float: sign bit, 5 bits exponent, 10 bits mantissa</td> 
 </tr> 
 <tr> 
 <td align="left">np.single</td> 
 <td align="left"><code>float</code></td> 
 <td align="left">Platform-defined single precision float: typically sign bit, 8 bits exponent, 23 bits mantissa</td> 
 </tr> 
 <tr> 
 <td align="left">np.double</td> 
 <td align="left"><code>double</code></td> 
 <td align="left">Platform-defined double precision float: typically sign bit, 11 bits exponent, 52 bits mantissa.</td> 
 </tr> 
 <tr> 
 <td align="left">np.longdouble</td> 
 <td align="left"><code>long double</code></td> 
 <td align="left">Platform-defined extended-precision float</td> 
 </tr> 
 <tr> 
 <td align="left">np.csingle</td> 
 <td align="left"><code>float complex</code></td> 
 <td align="left">Complex number, represented by two single-precision floats (real and imaginary components)</td> 
 </tr> 
 <tr> 
 <td align="left">np.cdouble</td> 
 <td align="left"><code>double complex</code></td> 
 <td align="left">Complex number, represented by two double-precision floats (real and imaginary components).</td> 
 </tr> 
 <tr> 
 <td align="left">np.clongdouble</td> 
 <td align="left"><code>long double complex</code></td> 
 <td align="left">Complex number, represented by two extended-precision floats (real and imaginary components).</td> 
 </tr> 
 </tbody> 
</table>

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：

<table> 
 <thead> 
 <tr> 
 <th align="left">Numpy 类型</th> 
 <th align="left">C 类型</th> 
 <th align="left">说明</th> 
 </tr> 
 </thead> 
 <tbody> 
 <tr> 
 <td align="left">np.int8</td> 
 <td align="left"><code>int8_t</code></td> 
 <td align="left">Byte (-128 to 127)</td> 
 </tr> 
 <tr> 
 <td align="left">np.int16</td> 
 <td align="left"><code>int16_t</code></td> 
 <td align="left">Integer (-32768 to 32767)</td> 
 </tr> 
 <tr> 
 <td align="left">np.int32</td> 
 <td align="left"><code>int32_t</code></td> 
 <td align="left">Integer (-2147483648 to 2147483647)</td> 
 </tr> 
 <tr> 
 <td align="left">np.int64</td> 
 <td align="left"><code>int64_t</code></td> 
 <td align="left">Integer (-9223372036854775808 to 9223372036854775807)</td> 
 </tr> 
 <tr> 
 <td align="left">np.uint8</td> 
 <td align="left"><code>uint8_t</code></td> 
 <td align="left">Unsigned integer (0 to 255)</td> 
 </tr> 
 <tr> 
 <td align="left">np.uint16</td> 
 <td align="left"><code>uint16_t</code></td> 
 <td align="left">Unsigned integer (0 to 65535)</td> 
 </tr> 
 <tr> 
 <td align="left">np.uint32</td> 
 <td align="left"><code>uint32_t</code></td> 
 <td align="left">Unsigned integer (0 to 4294967295)</td> 
 </tr> 
 <tr> 
 <td align="left">np.uint64</td> 
 <td align="left"><code>uint64_t</code></td> 
 <td align="left">Unsigned integer (0 to 18446744073709551615)</td> 
 </tr> 
 <tr> 
 <td align="left">np.intp</td> 
 <td align="left"><code>intptr_t</code></td> 
 <td align="left">Integer used for indexing, typically the same as <code>ssize_t</code></td> 
 </tr> 
 <tr> 
 <td align="left">np.uintp</td> 
 <td align="left"><code>uintptr_t</code></td> 
 <td align="left">Integer large enough to hold a pointer</td> 
 </tr> 
 <tr> 
 <td align="left">np.float32</td> 
 <td align="left"><code>float</code></td> 
 <td align="left"></td> 
 </tr> 
 <tr> 
 <td align="left">np.float64 / np.float_</td> 
 <td align="left"><code>double</code></td> 
 <td align="left">Note that this matches the precision of the builtin python float.</td> 
 </tr> 
 <tr> 
 <td align="left">np.complex64</td> 
 <td align="left"><code>float complex</code></td> 
 <td align="left">Complex number, represented by two 32-bit floats (real and imaginary components)</td> 
 </tr> 
 <tr> 
 <td align="left">np.complex128 / np.complex_</td> 
 <td align="left"><code>double complex</code></td> 
 <td align="left">Note that this matches the precision of the builtin python complex.</td> 
 </tr> 
 </tbody> 
</table>

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(1000000000000000000000000000000000000000000000000000000)

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

> 本文已收录于 [http://www.flydean.com/02-python-numpy-datatype/][http_www.flydean.com_02-python-numpy-datatype]
> 
> 最通俗的解读，最深刻的干货，最简洁的教程，众多你不知道的小技巧等你来发现！
> 
> 欢迎关注我的公众号:「程序那些事」,懂技术，更懂你！

[http_www.flydean.com_02-python-numpy-datatype]: http://www.flydean.com/02-python-numpy-datatype/