NumPy数据类型

NumPy 数组中的元素可以是多种数据类型，这些数据类型决定了数组可以存储的数据类型及其性能。本文将详细介绍 NumPy 中的数据类型（dtypes）。

1. NumPy 数据类型简介

NumPy 支持多种数据类型，包括整数、浮点数、复数、布尔值、字符串等。每种数据类型都有其特定的用途和存储需求。

2. 基本数据类型

2.1 整数类型

NumPy 提供了多种整数类型，包括：

• int8：8 位有符号整数，范围：-128 到 127
• int16：16 位有符号整数，范围：-32768 到 32767
• int32：32 位有符号整数，范围：-2147483648 到 2147483647
• int64：64 位有符号整数，范围：-9223372036854775808 到 9223372036854775807
• uint8：8 位无符号整数，范围：0 到 255
• uint16：16 位无符号整数，范围：0 到 65535
• uint32：32 位无符号整数，范围：0 到 4294967295
• uint64：64 位无符号整数，范围：0 到 18446744073709551615

2.2 浮点数类型

NumPy 提供了多种浮点数类型，包括：

• float16：16 位浮点数，精度较低
• float32：32 位浮点数，单精度浮点数
• float64：64 位浮点数，双精度浮点数

2.3 复数类型

NumPy 也支持复数类型：

• complex64：32 位复数，实部和虚部都是 16 位浮点数
• complex128：64 位复数，实部和虚部都是 32 位浮点数
• complex256：128 位复数，实部和虚部都是 64 位浮点数

2.4 布尔类型

• bool_：布尔类型，值为 True 或 False

2.5 字符串类型

• string_ 或 S_：固定长度的字符串类型，例如 S10 表示长度为 10 的字符串
• unicode_ 或 U_：固定长度的 Unicode 字符串类型，例如 U10 表示长度为 10 的 Unicode 字符串

3. 创建数组时指定数据类型

在创建 NumPy 数组时，可以通过 dtype 参数指定数据类型。例如：

import numpy as np

# 创建一个整数数组
int_array = np.array([1, 2, 3, 4], dtype=np.int32)
print(int_array.dtype)  # 输出: int32

# 创建一个浮点数数组
float_array = np.array([1.1, 2.2, 3.3], dtype=np.float64)
print(float_array.dtype)  # 输出: float64

# 创建一个布尔数组
bool_array = np.array([True, False, True], dtype=np.bool_)
print(bool_array.dtype)  # 输出: bool

# 创建一个字符串数组
str_array = np.array(['apple', 'banana', 'cherry'], dtype='S10')
print(str_array.dtype)  # 输出: string10

4. 类型转换

NumPy 提供了 astype 方法来转换数组的数据类型。例如：

# 创建一个整数数组
int_array = np.array([1, 2, 3, 4], dtype=np.int32)

# 将整数数组转换为浮点数数组
float_array = int_array.astype(np.float64)
print(float_array.dtype)  # 输出: float64

# 将浮点数数组转换为字符串数组
str_array = float_array.astype('S10')
print(str_array.dtype)  # 输出: string10

5. 类型推断

如果不指定 dtype 参数，NumPy 会根据输入数据自动推断数据类型。例如：

# 自动推断为整数类型
int_array = np.array([1, 2, 3, 4])
print(int_array.dtype)  # 输出: int64（在 64 位系统上）

# 自动推断为浮点数类型
float_array = np.array([1.1, 2.2, 3.3])
print(float_array.dtype)  # 输出: float64

# 自动推断为布尔类型
bool_array = np.array([True, False, True])
print(bool_array.dtype)  # 输出: bool

6. 注意事项

• 选择合适的数据类型可以节省内存并提高计算效率。
• 在处理大数据集时，使用较小的数据类型（如 int16 而不是 int64）可以显著减少内存使用。
• 在进行类型转换时，要注意数据范围的变化，以避免数据溢出或精度损失。

总结

NumPy 提供了丰富的数据类型，允许用户根据具体需求选择最合适的数据类型。通过合理的数据类型选择，可以优化内存使用和计算性能。希望本文能帮助你更好地理解和使用 NumPy 的数据类型。

本文地址：https://www.tides.cn/p_numpy-data-type