Numpy 中文用户指南 3.1 数据类型

原文:Data types

译者:飞龙

另见

数据类型对象

数组类型和类型之间的转换

NumPy支持的数值类型比Python更多。这一节会讲述所有可用的类型,以及如何改变数组的数据类型。

数据类型描述
bool_以字节存储的布尔值(True 或 False)
int_默认的整数类型(和 C 的 long 一样,是 int64 或者 int32)
intc和 C 的 int 相同(一般为 int64 或 int32)
intp用于下标的整数(和 C 的 ssize_t 相同,一般为int64 或者 int32)
int8字节(-128 到 127)
int16整数(-32768 到 32767)
int32整数(-2147483648 到 2147483647)
int64整数(-9223372036854775808 到 9223372036854775807)
uint8无符号整数(0 到 255)
uint16无符号整数(0 到 65535)
uint32无符号整数(0 到 4294967295)
uint64无符号整数(0 到 18446744073709551615)
float_float64 的简写
float16半精度浮点:1位符号,5位指数,10位尾数
float32单精度浮点:1位符号,8位指数,23位尾数
float64双精度浮点:1位符号,11位指数,52位尾数
complex_complex128 的简写
complex64由两个32位浮点(实部和虚部)组成的复数
complex128由两个64位浮点(实部和虚部)组成的复数

此外,Intel平台相关的C整数类型 shortlonglong long 和它们的无符号版本是有定义的。

NumPy数值类型是dtype对象的实例,每个都有独特的特点。一旦你导入了NumPy:

>>> import numpy as np

这些 dtype 都可以通过 np.bool_np.float32 以及其它的形式访问。

更高级的类型不在表中给出,请见结构化数组一节。

有5种基本的数值类型:布尔(bool),整数(int),无符号整数(uint),浮点(float)和复数。其中的数字表示类型所占的位数(即需要多少位代表内存中的一个值)。有些类型,如intintp,依赖于平台(例如32位和64位机)有不同的位数。在与低级别的代码(如C或Fortran)交互和在原始内存中寻址时应该考虑到这些。

数据类型可以用做函数,来将Python类型转换为数组标量(详细解释请见数组标量一节),或者将Python的数值序列转换为同类型的NumPy数组,或者作为参数传入接受dtype的关键词的NumPy函数或方法中,例如:

>>> 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)

数组类型也可以由字符代码指定,这主要是为了保留旧的包的向后兼容,如Numeric。一些文档仍旧可能这样写,例如:

>>> np.array([1, 2, 3], dtype='f')
array([ 1.,  2.,  3.], dtype=float32)

我们推荐用 dtype 对象来取代。

要转换数组类型,使用 .astype() 方法(推荐),或者将类型自身用作函数,例如:

>>> z.astype(float)                 
array([  0.,  1.,  2.])
>>> np.int8(z)
array([0, 1, 2], dtype=int8)

需要注意的是,上面我们使用Python的浮点对象作为 dtype。NumPy知道int是指np.int_boolnp.bool_floatnp.float_complexnp.complex_ 。其他数据类型在Python中没有对应。

通过查看 dtype 属性来确定数组的类型:

>>> z.dtype
dtype('uint8')

dtype 对象还包含有关类型的信息,如它的位宽和字节顺序。数据类型也可以间接用于类型的查询属性,例如检查是否是整数:

>>> d = np.dtype(int)
>>> d
dtype('int32')

>>> np.issubdtype(d, int)
True

>>> np.issubdtype(d, float)
False

数组标量

NumPy一般以数组标量返回数组元素(带有相关dtype的标量)。数组标量不同于Python标量,但他们中的大部分可以互换使用(一个主要的例外是2.x之前的Python,其中整数数组标量不能作为列表和元组的下标)。也有一些例外,比如当代码需要标量的一个非常特定的属性,或检查一个值是否是特定的Python标量时。一般来说,总是可以使用相应的Python类型函数(如intfloatcomplexstrunicode),将数组标量显式转换为Python标量来解决问题。

使用数组标量的主要优点是,它们保留了数组的类型(Python可能没有匹配的标量类型,如int16)。因此,使用数组标量确保了数组和标量之间具有相同的行为,无论值在不在数组中。NumPy标量也有许多和数组相同的方法。

扩展精度

Python 的浮点数通常都是64位的,几乎相当于 np.float64 。在一些不常见的情况下,更精确的浮点数可能更好。是否可以这样做取决于硬件和开发环境:具体来说,x86 机器提供了80位精度的硬件浮点支持,虽然大多数 C 编译器都以 long double 类型来提供这个功能,但 MSVC (标准的Windows版本)中 long doubledouble 一致。NumPy中可以通过 np.longdouble 来使用编译器的 long double (复数为 np.clongdouble )。你可以通过 np.finfo(np.longdouble) 来了解你的 numpy 提供了什么。

NumPy 不提供比 C 的 long double 精度更高的 dtype;特别是128位 IEEE 四精度数据类型(Fortran 的 REAL*16)是不能用的。

为了高效的内存对齐,np.longdouble通常填充零位来存储,共96位或128位。哪个更有效取决于硬件环境;通常在32位系统中,他们被填充到96位,而在64位系统,他们通常是填充到128位。np.longdouble 以系统默认的方式填充;而 np.float96np.float128 为那些需要特定填充位的用户提供。尽管名字不同,np.float96np.float128都只提供和np.longdouble相同的精度,也就是说,大多数 x86 机器上面只有80位,标准Windows版本上只有64位。

注意,即使np.longdouble比Python的float精度更高,也很容易失去额外的精度,因为Python经常强行以float来传值。例如,%格式化运算符要求其参数转换成标准的Python类型,因此它不可能保留额外的精度,即使要求更多的小数位数。可以使用1 + np.finfo(np.longdouble).eps来测试你的代码。

    原文作者:飞龙
    原文地址: https://segmentfault.com/a/1190000004681332
    本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系博主进行删除。
点赞