数据类型

参见

Data type objects

数组类型和类型之间的转换

numpy支持比python更多的数值类型。本节显示哪些可用，以及如何修改数组的数据类型。

支持的基元类型与C中的基元类型紧密相连：

纽曼型	C型	描述
numpy.bool_	bool	存储为字节的布尔值（真或假）
numpy.byte	signed char	平台已定义
numpy.ubyte	unsigned char	平台已定义
numpy.short	short	平台已定义
numpy.ushort	unsigned short	平台已定义
numpy.intc	int	平台已定义
numpy.uintc	unsigned int	平台已定义
numpy.int_	long	平台已定义
numpy.uint	unsigned long	平台已定义
numpy.longlong	long long	平台已定义
numpy.ulonglong	unsigned long long	平台已定义
numpy.half / numpy.float16		半精度浮点：符号位，5位指数，10位尾数
numpy.single	float	平台定义的单精度浮点：典型的符号位、8位指数、23位尾数
numpy.double	double	平台定义的双精度浮点：典型的符号位、11位指数、52位尾数。
numpy.longdouble	long double	平台定义的扩展精度浮点
numpy.csingle	float complex	复数，由两个单精度浮点数（实部和虚部）表示
numpy.cdouble	double complex	复数，由两个双精度浮点数（实部和虚部）表示。
numpy.clongdouble	long double complex	复数，由两个扩展的精度浮点（实部和虚部）表示。

由于其中许多定义依赖于平台，因此提供了一组固定大小的别名：

纽曼型	C型	描述
numpy.int8	int8_t	字节（-128到127）
numpy.int16	int16_t	整数（-32768到32767）
numpy.int32	int32_t	整数（-2147483648到2147483647）
numpy.int64	int64_t	整数（-9223372036854775808到9223372036854775807）
numpy.uint8	uint8_t	无符号整数（0到255）
numpy.uint16	uint16_t	无符号整数（0到65535）
numpy.uint32	uint32_t	无符号整数（0到4294967295）
numpy.uint64	uint64_t	无符号整数（0到18446744073709551615）
numpy.intp	intptr_t	用于索引的整数，通常与 ssize_t
numpy.uintp	uintptr_t	足以容纳指针的整数
numpy.float32	float
numpy.float64 / numpy.float_	double	请注意，这与内置python的精度相匹配 float .
numpy.complex64	float complex	复数，由两个32位浮点（实部和虚部）表示
numpy.complex128 / numpy.complex_	double complex	请注意，这与内置python的精度相匹配 complex .

numpy数字类型是 dtype （数据类型）对象，每个对象都具有独特的特性。一旦你导入了numpy

>>> import numpy as np

数据类型可用为 np.bool_ ， np.float32 等。

上表中未列出的高级类型在第节中进行了探讨。 结构化数组 .

有5种基本的数字类型代表布尔（bool）、整数（int）、无符号整数（uint）、浮点（float）和复数。名称中带有数字的表示类型的位大小（即表示内存中单个值需要多少位）。一些类型，例如 int 和 intp ，具有不同的位大小，具体取决于平台（例如32位与64位机器）。在与原始内存寻址的低级代码（如C或Fortran）进行接口时，应该考虑到这一点。

数据类型可以用作将python数字转换为数组标量的函数（有关说明，请参阅数组标量部分）、将数字的python序列转换为该类型的数组或用作许多numpy函数或方法接受的dtype关键字的参数。一些例子：

>>> 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引用，主要是为了保持与旧包（如numeric）的向后兼容性。一些文档可能仍然引用这些内容，例如：

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

我们建议改用dtype对象。

要转换数组的类型，请使用.as type（）方法（首选）或类型本身作为函数。例如：

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

请注意，上面我们使用 Python 将对象作为数据类型浮动。NumPy 知道 int 指 np.int_ ， bool 方法 np.bool_ ，那 float 是 np.float_ 和 complex 是 np.complex_ . 其他数据类型没有对应的python。

要确定数组的类型，请查看dtype属性：

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

DTYPE对象还包含有关类型的信息，例如其位宽度和字节顺序。数据类型还可以间接用于查询该类型的属性，例如它是否为整数：：

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

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

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

数组标量

numpy通常返回数组元素作为数组标量（一个带有关联数据类型的标量）。数组scalar与python scalar不同，但在大多数情况下，它们可以互换使用（主要的例外是对于早于v2.x的python版本，其中整数数组scalar不能用作列表和元组的索引）。有一些例外，例如当代码需要标量的非常特定的属性，或者当它专门检查一个值是否是python标量时。通常，通过使用相应的python类型函数（例如， int ， float ， complex ， str ， unicode ）

使用数组标量的主要优点是它们保留了数组类型（python可能没有匹配的标量类型可用，例如 int16 ）因此，使用数组标量可以确保数组和标量之间的行为相同，而不管值是否在数组中。numpy scalar也有许多与数组相同的方法。

溢出错误

当值需要的内存超过数据类型中的可用内存时，NumPy numeric类型的固定大小可能会导致溢出错误。例如， numpy.power 评估 100 * 10 ** 8 对64位整数正确，但对32位整数给出1874919424（不正确）。

>>> np.power(100, 8, dtype=np.int64)
10000000000000000
>>> np.power(100, 8, dtype=np.int32)
1874919424

对于整数溢出，NumPy和Python integer类型的行为有很大的不同，这可能会使希望NumPy integer的行为类似于Python的行为的用户感到困惑 int . 与NumPy不同，Python的 int 是灵活的。这意味着Python整数可以扩展以容纳任何整数，并且不会溢出。

NumPy提供 numpy.iinfo 和 numpy.finfo 要分别验证NumPy integer和浮点值的最小值或最大值，请执行以下操作：

>>> np.iinfo(int) # Bounds of the default integer on this system.
iinfo(min=-9223372036854775808, max=9223372036854775807, dtype=int64)
>>> np.iinfo(np.int32) # Bounds of a 32-bit integer
iinfo(min=-2147483648, max=2147483647, dtype=int32)
>>> np.iinfo(np.int64) # Bounds of a 64-bit integer
iinfo(min=-9223372036854775808, max=9223372036854775807, dtype=int64)

如果64位整数仍然太小，结果可能会转换为浮点数。浮点数提供了更大但不精确的可能值范围。

>>> np.power(100, 100, dtype=np.int64) # Incorrect even with 64-bit int
0
>>> np.power(100, 100, dtype=np.float64)
1e+200

扩展精度

python的浮点数通常是64位浮点数，几乎相当于 np.float64 . 在某些特殊情况下，使用精度更高的浮点数可能很有用。这在numpy中是否可行取决于硬件和开发环境：特别是，x86机器提供80位精度的硬件浮点，而大多数C编译器提供这一点作为它们的 long double 类型，msvc（Windows版本的标准）使 long double 相同的 double （64位）。numpy生成编译器的 long double 可作为 np.longdouble （和 np.clongdouble 对于复数）。你可以找到你的 NumPy 在 np.finfo(np.longdouble) 中提供了什么。

NumPy不提供比C更精确的数据类型 long double \；尤其是128位IEEE四精度数据类型（FORTRAN的 REAL*16 \)不可用。

为了有效地对齐内存， np.longdouble 通常用零位（96位或128位）填充存储。哪个更有效取决于硬件和开发环境；通常在32位系统上，它们被填充到96位，而在64位系统上，它们通常被填充到128位。 np.longdouble 填充为系统默认值； np.float96 和 np.float128 为需要特定填充的用户提供。尽管有名字， np.float96 和 np.float128 提供的精度与 np.longdouble 也就是说，在大多数x86计算机上为80位，在标准Windows版本中为64位。

被警告即使 np.longdouble 提供比python更高的精度 float ，很容易失去额外的精度，因为python经常强制值通过 float . 例如， % 格式化运算符要求将其参数转换为标准的python类型，因此即使请求了许多小数位，也无法保留扩展精度。使用值测试代码可能很有用 1 + np.finfo(np.longdouble).eps .

导入数据时使用 genfromtxt 广播