数据分析和机器学习框架底层工具NumPy的数据类型与数组属性

如下带你走进 @ 机器人时代

Discover 点击上面蓝色文字，关注我们

NumPy中数组类型比较多：

1、布尔型：bool_:标识码：b

import numpy as np
a= np.dtype(np.bool_)
print(a) 
输出结果：
bool

2、int系列：

int_：默认整数类型，类似于 C 语言中的 long，取值为 int32 或 int64，
intc：和 C 语言的 int 类型一样，一般是 int32 或 int 64
intp：用于索引的整数类型（类似于 C 的 ssize_t，通常为 int32 或 int64）
int8：代表与1字节相同的8位整数。值的范围是-128到127。
int16：代表 2 字节（16位）的整数。范围是-32768至32767
int32：代表 4 字节（32位）整数。范围是-2147483648至2147483647。
int64：表示 8 字节（64位）整数。范围是-9223372036854775808至9223372036854775807。。
uint8：代表1字节（8位）无符号整数。
uint16：2 字节（16位）无符号整数。
uint32：4 字节（32位）的无符号整数。
uint64：8 字节（64位）的无符号整数。

import numpy as np
# int8, int16, int32, int64 四种数据类型
# 可以使用字符串 'i1', 'i2','i4','i8' 代替
dt = np.dtype('i8')
print(dt)
# 字节顺序标注
dt = np.dtype('<i4')
print(dt)
dt = np.dtype([('age',np.int8)])
a = np.array([(10,),(20,),(30,)], dtype = dt)
print(a)
dt = np.dtype([('age',np.int8)])
a = np.array([(10,),(20,),(80,)], dtype = dt)
print(a['age'])
s = np.dtype([('名字','S20'), ('年龄', 'i1'), ('成绩', 'u4')])
print(s)
t = np.dtype([('姓名','U10'), ('年龄', 'i1'), ('成绩', 'f4')])
a = np.array([('张三', 21, 50),('李四', 18, 75)], dtype = t)
print(a)
输出结果：
int64
int32
[(10,) (20,) (30,)]
[10 20 80]
[('名字', 'S20'), ('年龄', 'i1'), ('成绩', '<u4')]
[('张三', 21, 50.) ('李四', 18, 75.)]

3、float系列：

float_：float64 类型的简写。
float16：半精度浮点数，包括：1 个符号位，5 个指数位，10个尾数位。
float32：单精度浮点数，包括：1 个符号位，8 个指数位，23个尾数位
float64：双精度浮点数，包括：1 个符号位，11 个指数位，52个尾数位。

4、浮点类型：

complex_：复数类型，与 complex128 类型相同。
complex64：表示实部和虚部共享 32 位的复数。
complex128：表示实部和虚部共享 64 位的复数。

5、字符类型：

str_：表示字符串类型
string_：表示字节串类型

在使用中，我们需要了解各种数据类型的标识码：
b 代表布尔型
i 带符号整型
u 无符号整型
f 浮点型
c 复数浮点型
m 时间间隔（timedelta）
M datatime（日期时间）
O Python对象
S,a 字节串（S）与字符串（a）
U Unicode 如：10个字节的中文U10
V 原始数据（void）

下面我们来看看数组的属性：

NumPy 数组的维数称为秩（rank），秩（zhi）就是轴的数量，即数组的维度。在 NumPy中，每一个线性的数组称为是一个轴（axis），也就是维度（dimensions）。可以声明 axis。如：axis=0，表示沿着第 0 轴进行操作，即对每一列进行操作；axis=1，表示沿着第1轴进行操作，即对每一行进行操作。

我们通过实例看看数组的一些属性：

#数组属性
a = np.arange(24)
print (a.ndim)
# a 现只有一个维度
# 现在调整其大小
b = a.reshape(2,4,3)
# b 现在拥有三个维度
print (b.ndim)
#调整数组形状
a = np.array([[1,2,3],[4,5,6]])
b = a.reshape(3,2)
print(b)
#返回数组的维度
a = np.array([[1,2,3],[4,5,6]])
print (a.shape)
#调整数组的大小
a = np.array([[1,2,3],[4,5,6]])
a.shape =  (3,2)
print (a)
#返回数组中每个元素的大小
#数据类型为int8，代表1字节
#数据类型为int64，代表8字节
x = np.array([1,2,3,4,5], dtype = np.int64)
print (x.itemsize)
#返回 ndarray 数组的内存信息
x = np.array([1,2,3,4,5])
print (x.flags)

输出结果：
1
3
[[1 2]
 [3 4]
 [5 6]]
(2, 3)
[[1 2]
 [3 4]
 [5 6]]
8
  C_CONTIGUOUS : True
  F_CONTIGUOUS : True
  OWNDATA : True
  WRITEABLE : True
  ALIGNED : True
  WRITEBACKIFCOPY : False

值得注意的是：ndarray.reshape 通常返回的是非拷贝副本，即改变返回后数组的元素，原数组对应元素的值也会改变。

坚持学习，这样每天都能进步一点点！

往期回顾：

• 来来来，送你一个金牌销售机器人，7X24小时不休，不要工资免费用！
• RPA技术在旅行社销售业务中如何凤凰涅槃？？
• 【工资翻三倍】系列：一招搞定九宫图片切割机器人，让你的朋友圈更加炫酷！

本文引用和摘录相关内容，请联系侵删。

- END -

最后，文章有帮助到你的话【点赞在看】
激励我们分享更多的干货！