一文详解Python数据分析模块Numpy基础数据类型
Numpy简介
NumPy（Numerical Python） 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。
NumPy 是一个运行速度非常快的数学库，主要用于数组计算，包含：
- 一个强大的N维数组对象 ndarray
- 广播功能函数
- 整合 C/C++/Fortran 代码的工具
- 线性代数、傅里叶变换、随机数生成等功能
NumPy Ndarray 对象
- NumPy 最重要的一个特点是其 N 维数组对象 ndarray，它是一系列同类型数据的集合，以 0 下标为开始进行集合中元素的索引
- ndarray 对象是用于存放同类型元素的多维数组
- ndarray 中的每个元素在内存中都有相同存储大小的区域
numpy对象创建：
numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)
名称 | 描述 |
object | 数组或嵌套的数列 |
dtype | 数组元素的数据类型，可选 |
copy | 对象是否需要复制，可选 |
order | 创建数组的样式，C为行方向，F为列方向，A为任意方向（默认） |
subok | 默认返回一个与基类类型一致的数组 |
ndmin | 指定生成数组的最小维度 |
数据类型转换
拷贝
最小维度
subok
NumPy 数据类型
名称 | 描述 |
bool_ | 布尔型数据类型（True 或者 False） |
int_ | 默认的整数类型（类似于 C 语言中的 long，int32 或 int64） |
intc | 与 C 的 int 类型一样，一般是 int32 或 int 64 |
intp | 用于索引的整数类型（类似于 C 的 ssize_t，一般情况下仍然是 int32 或 int64） |
int8 | 字节（-128 to 127） |
int16 | 整数（-32768 to 32767） |
int32 | 整数（-2147483648 to 2147483647） |
int64 | 整数（-9223372036854775808 to 9223372036854775807） |
uint8 | 无符号整数（0 to 255） |
uint16 | 无符号整数（0 to 65535） |
uint32 | 无符号整数（0 to 4294967295） |
uint64 | 无符号整数（0 to 18446744073709551615） |
float_ | float64 类型的简写 |
float16 | 半精度浮点数，包括：1 个符号位，5 个指数位，10 个尾数位 |
float32 | 单精度浮点数，包括：1 个符号位，8 个指数位，23 个尾数位 |
float64 | 双精度浮点数，包括：1 个符号位，11 个指数位，52 个尾数位 |
complex_ | complex128 类型的简写，即 128 位复数 |
complex64 | 复数，表示双 32 位浮点数（实数部分和虚数部分） |
complex128 | 复数，表示双 64 位浮点数（实数部分和虚数部分） |
数据类型对象 (dtype)
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：
- 数据的类型（整数，浮点数或者 Python 对象）
- 数据的大小（例如， 整数使用多少个字节存储）
- 数据的字节顺序（小端法或大端法）
- 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所取的内存块的部分
- 如果数据类型是子数组，那么它的形状和数据类型是什么。
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)。
dtype 对象是使用以下语法构造的：
numpy.dtype(object, align, copy) 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
每个内建类型都有一个唯一定义它的字符代码
字符 | 对应类型 |
b | 布尔型 |
i | (有符号) 整型 |
u | 无符号整型 integer |
f | 浮点型 |
c | 复数浮点型 |
m | timedelta（时间间隔） |
M | datetime（日期时间） |
O | (Python) 对象 |
S, a | (byte-)字符串 |
U | Unicode |
V | 原始数据 (void) |
dt = np.dtype(np.int32)
print(dt)
输出：
int32
dt = np.dtype('i4')
print(dt)
输出：
int32
dt = np.dtype([('age', np.int8)])
print(dt)
输出：
[('age', 'i1')]结构化数据类型
student = np.dtype([('name','S20'), ('age','i1'), ('score', 'f4')])
a = np.array([('xm', 10, 98.123456789), ('xh', 8, 99.111111111), ('xl', '9', 100)], dtype=student)
print(a)
输出：
[(b'xm', 10,98.12346 ) (b'xh',8,99.111115) (b'xl',9, 100.)]以上就是一文详解Python数据分析模块Numpy基础数据类型的详细内容，更多请关注其它相关文章！