NumPy 資料型別

numpy 支援的資料型別比 Python 內建的型別要多很多，基本上可以和 C 語言的資料型別對應上，其中部分型別對應為 Python 內建的型別。下表列舉了常用 NumPy 基本型別。

numpy 的數值型別實際上是 dtype 物件的例項，並對應唯一的字元，包括 np.bool_，np.int32，np.float32，等等。

資料型別物件 (dtype)

資料型別物件（numpy.dtype 類的例項）用來描述與陣列對應的記憶體區域是如何使用，它描述了資料的以下幾個方面：：

• 資料的型別（整數，浮點數或者 Python 物件）
• 資料的大小（例如， 整數使用多少個位元組儲存）
• 資料的位元組順序（小端法或大端法）
• 在結構化型別的情況下，欄位的名稱、每個欄位的資料型別和每個欄位所取的記憶體塊的部分
• 如果資料型別是子陣列，那麼它的形狀和資料型別是什麼。

位元組順序是通過對資料型別預先設定 < 或 > 來決定的。 < 意味著小端法(最小值儲存在最小的地址，即低位組放在最前面)。> 意味著大端法(最重要的位元組儲存在最小的地址，即高位組放在最前面)。

dtype 物件是使用以下語法構造的：

numpy.dtype(object, align, copy)

• object - 要轉換為的資料型別物件
• align - 如果為 true，填充欄位使其類似 C 的結構體。
• copy - 複製 dtype 物件 ，如果為 false，則是對內建資料型別物件的引用

例項

接下來我們可以通過例項來理解。

標量資料型別

例項 1

import numpy as np
# 使用標量型別
dt = np.dtype(np.int32)
print(dt)

int32

例項 2

import numpy as np
# int8, int16, int32, int64 四種資料型別可以使用字串 'i1', 'i2','i4','i8' 代替
dt = np.dtype('i4')
print(dt)

int32

例項 3

import numpy as np
# 位元組順序標註
dt = np.dtype('<i4') ##  < 意味著小端法
print(dt)

int32

結構化資料型別

下面例項展示結構化資料型別的使用，型別欄位和對應的實際型別將被建立。

例項 4

# 首先建立結構化資料型別
import numpy as np
dt = np.dtype([('age',np.int8)]) 
print(dt)

輸出結果為：

[('age', 'i1')]

例項 5

# 將資料型別應用於 ndarray 物件
import numpy as np
dt = np.dtype([('age',np.int8)]) 
a = np.array([(10,),(20,),(30,)], dtype = dt) 
print(a)

[(10,) (20,) (30,)]

例項 6

# 型別欄位名可以用於存取實際的 age 列
import numpy as np
dt = np.dtype([('age',np.int8)]) 
a = np.array([(10,),(20,),(30,)], dtype = dt) 
print(a['age'])

[10 20 30]

下面的示例定義一個結構化資料型別 student，包含字串欄位 name，整數字段 age，及浮點欄位 marks，並將這個 dtype 應用到 ndarray 物件。

例項 7

import numpy as np
student = np.dtype([('name','S20'), ('age', 'i1'), ('marks', 'f4')]) 
print(student)

輸出結果為：

[('name', 'S20'), ('age', 'i1'), ('marks', 'f4')]

例項 8

import numpy as np
student = np.dtype([('name','S20'), ('age', 'i1'), ('marks', 'f4')]) 
a = np.array([('abc', 21, 50),('xyz', 18, 75)], dtype = student) 
print(a)

 輸出結果為：

[('abc', 21, 50.0), ('xyz', 18, 75.0)]

每個內建型別都有一個唯一定義它的字元程式碼，如下：

REF

https://www.runoob.com/numpy/numpy-dtype.html