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 npIn [26]: np.byteOut[26]: numpy.int8In [27]: np.bool_Out[27]: numpy.bool_In [28]: np.ubyteOut[28]: numpy.uint8In [29]: np.shortOut[29]: numpy.int16In [30]: np.ushortOut[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)>>> x1.0>>> y = np.int_([1,2,4])>>> yarray([1, 2, 4])>>> z = np.arange(3, dtype=np.uint8)>>> zarray([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]: zOut[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.dtypeOut[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)>>> ddtype('int32')>>> np.issubdtype(d, np.integer)True>>> np.issubdtype(d, np.floating)False

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= 1000000000000000000000000000000000000000000000000000000000000000000000000000000In [39]: aOut[39]: 1000000000000000000000000000000000000000000000000000000000000000000000000000000In [40]: np.int(1000000000000000000000000000000000000000000000000000000)Out[40]: 1000000000000000000000000000000000000000000000000000000In [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]: 1874919424In [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]: 0In [49]: np.power(100, 100, dtype=np.float64)Out[49]: 1e+200

本文已收录于

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！