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：
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.byteOut[26]: numpy.int8
In [27]: np.bool_Out[27]: numpy.bool_
In [28]: np.ubyteOut[28]: numpy.uint8
In [29]: np.shortOut[29]: numpy.int16
In [30]: np.ushortOut[30]: numpy.uint16
复制代码
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：
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)
复制代码
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)
复制代码
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)
复制代码
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')
复制代码
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
复制代码
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]: aOut[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)
复制代码
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
复制代码
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)
复制代码
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
复制代码
本文已收录于 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！
评论