NumPy 数据类型

NumPy提供的数字数据类型范围比Python提供的更广。下表列出了一些数字数据类型。

序号	数据类型	描述
1	bool_	它表示布尔值，指示真或假。它以字节形式存储。
2	int_	它是默认的整数类型。它与C语言中的long类型相同，包含64位或32位整数。
3	intc	它类似于C语言的整数（c int），表示32位或64位整数位。
4	intp	它表示用于索引的整数。
5	int8	它是8位整数，与字节相同。值的范围为-128到127。 | It is the 8-byte (64-bit) unsigned integer.
6	int16	It is the 2-byte (16-bit) integer. The range is -32768 to 32767.
7	int32	It is the 4-byte (32-bit) integer. The range is -2147483648 to 2147483647.
8	int64	It is the 8-byte (64-bit) integer. The range is -9223372036854775808 to 9223372036854775807.
9	uint8	It is the 1-byte (8-bit) unsigned integer.
10	uint16	It is the 2-byte (16-bit) unsigned integer.
11	uint32	It is the 4-byte (32-bit) unsigned integer.
12	uint64	It is the 8 bytes (64-bit) unsigned integer.
13	float_	It is identical to float64.
14	float16	It is the half-precision float. 5 bits are reserved for the exponent. 10 bits are reserved for mantissa, and 1 bit is reserved for the sign.
15	float32	It is a single precision float. 8 bits are reserved for the exponent, 23 bits are reserved for mantissa, and 1 bit is reserved for the sign.
16	float64	It is the double precision float. 11 bits are reserved for the exponent, 52 bits are reserved for mantissa, 1 bit is used for the sign.
17	complex_	It is identical to complex128.
复数	complex64	它由两个32位浮点数组成，一个表示实部和一个表示虚部。
18	复数	complex128 | 它由两个64位浮点数组成，一个表示实部和一个表示虚部。
complex_	它与complex128相同。
18	complex64	用于表示复数，其中实部和虚部各占用32位。
19	complex128	用于表示复数，其中实部和虚部各占用64位。

NumPy数据类型

所有的numpy数组项都是数据类型对象，也被称为numpy数据类型。数据类型对象实现了与数组对应的固定大小的内存。

我们可以使用以下语法创建一个数据类型对象。

numpy.dtype(object, align, copy)

构造函数接受以下对象。

对象： 它表示要转换为数据类型的对象。

对齐： 它可以设置为任意布尔值。如果为true，则会添加额外的填充以使其等效于C结构。

复制： 它创建dtype对象的另一个副本。

示例1

import numpy as np
d = np.dtype(np.int32)
print(d)

输出:

int32

示例2

import numpy as np 
d = np.int32(i4)
print(d)

输出：

int32

创建结构化数据类型

我们可以创建一个类似于map（字典）的数据类型，其中包含值之间的映射关系。例如，它可以包含员工和薪水之间的映射关系，或者学生和年龄之间的映射关系等。

考虑以下示例。

示例1

import numpy as np
d = np.dtype([('salary',np.float)])
print(d)

输出:

[('salary', '

示例2

import numpy as np
d=np.dtype([('salary',np.float)])
arr = np.array([(10000.12,),(20000.50,)],dtype=d)
print(arr['salary'])

输出：

[(10000.12,) (20000.5 ,)]