原文:Data types
译者:飞龙
另见
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 short
、long
,long 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int
和intp
,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_
,bool
指np.bool_
,float
指np.float_
,complex
指np.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int
,float
,complex
,str
,unicode
),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 double
和 double
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.float96
和 np.float128
为那些需要特定填充位的用户提供。尽管名字不同,np.float96
和 np.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。