第 81 天：NumPy Ndarray 对象及数据类型
上一篇文章中我们详细介绍了 NumPy 的功能及用途，本章节着重介绍 NumPy 一个神奇的对象 Ndarray 以及 NumPy 数据类型，包括两者的用途，接下来就开启神奇之旅吧。 标准安装的 Python 中用列表 (list) 保存一组值，它可以用来当作数组使用，不过由于列表的元素可以是任何对象，因此列表中所保存的是对象的指针。这样为了保存一个简单的[1,2,3]，需要有3个指针和三个整数对象。对于数值运算来说这种结构显然比较浪费内存和CPU计算时间。 此外 Python 还提供了一个array模块，array对象和列表不同，它直接保存数值，和C语言的一维数组比较类似。但是由于它不支持多维，也没有各种运算函数，因此也不适合做数值运算。 NumPy 的诞生弥补了这些不足，NumPy提供了两种基本的对象：ndarray（N-dimensional array object）和 ufunc（universal function object）。ndarray (下文统一称之为数组)是存储单一数据类型的多维数组，而 ufunc 则是能够对数组进行处理的函数。 一、NumPy Ndarray 对象 NumPy 最重要的一个特点是其 N 维数组对象 ndarray，Ndarray 从名字组成上看是 Nd-array,顾名思义就是 N 维数组的意思，它是一系列多维且同类型数据的集合，以 下标为 0 开始进行集合中元素的索引。ndarray 是内存存储，换言之 ndarray 对象由计算机内存的连续一部分组成，并结合索引模式，将每个元素映射到内存块中的一个位置，它比列表存储节省空间 ndarray 对象是用于存放同类型元素的多维数组。 ndarray 中的每个元素在内存中都有相同存储大小的区域。 1、ndarray 内部内容组成 一个指向数据（内存或内存映射文件中的一块数据）的指针。 数据类型或 dtype，描述在数组中的固定大小值的格子。 一个表示数组形状（shape）的元组，表示各维度大小的元组。 一个跨度元组（stride），其中的整数指的是为了前进到当前维度下一个元素需要"跨过"的字节数。 2、ndarray 的内部结构 ndarray 内部结构 3、创建 ndarray fromnumpyimport*eye(4)Out[3]:array([[1.,0.,0.,0.],[0.,1.,0.,0.],[0.,0.,1.,0.],[0.,0.,0.,1.]]) 由以上实例可知，创建一个 ndarray 只需调用 NumPy 的 array 函数即可，如下： numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0) 3.1 参数说明 名称 描述 object 数组或嵌套的数列 dtype 数组元素的数据类型，可选 copy 对象是否需要复制，可选 order 创建数组的样式，C为行方向，F为列方向，A为任意方向（默认） subok 默认返回一个与基类类型一致的数组 ndmin 指定生成数组的最小维度 值得注意的是：ndmin 默认为数值为 0 3.2 运用实例 创建一个简单的 ndarray 对象，单维数组 importnumpyasnpa=np.array([1,2,3])print(a) 输出结果如下： [123] 创建一个大于 1 维的数组 importnumpyasnpa=np.array([[1,2],[3,4]])print(a) 输出结果如下： [[12][34]] 使用最小维度参数指定维度 以下实例指定数组维度为 2 维，ndmin 默认维度是 0 importnumpyasnpa=np.array([1,2,3,4,5],ndmin=2)print(a) 输出结果为： [[1,2,3,4,5]] 使用 dtype 参数指定数组元素的数据类型 importnumpyasnpa=np.array([1,2,3],dtype=complex)print(a) 输出结果： [1.+0.j 2.+0.j 3.+0.j] 二、NumPy 数据类型 NumPy 支持的数据类型比 Python 内置的类型要更多，基本上可以和 C 语言的数据类型对应上，其中部分类型对应为 Python 内置的类型。 1、NumPy 常用数据类型 下表列举了 NumPy 常用基本数据类型，为了区别于 Python 原生的数据类型，bool、int、float、complex、str 等类型名称末尾都加了 _。 名称 描述 bool_ 布尔型数据类型（True 或者 False） int_ 默认的整数类型（类似于 C 语言中的 long，int32 或 int64） intc 与 C 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，一般情况下仍然是 int32 或 int64） int8 字节（-128 to 127） int16 整数（-32768 to 32767） int32 整数（-2147483648 to 2147483647） int64 整数（-9223372036854775808 to 9223372036854775807） uint8 无符号整数（0 to 255） uint16 无符号整数（0 to 65535） uint32 无符号整数（0 to 4294967295） uint64 无符号整数（0 to 18446744073709551615） 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 complex_ complex128 类型的简写，即 128 位复数 complex64 复数，表示双 32 位浮点数（实数部分和虚数部分） complex128 复数，表示双 64 位浮点数（实数部分和虚数部分） 另外 numpy 的数值类型实际上是 dtype 对象的实例，并对应唯一的字符，包括 np.bool_，np.int32，np.float32，等等。 2、数据类型对象-dtype 数据类型对象是用来描述与数组对应的内存区域如何使用，这依赖如下几个方面： 数据的类型（整数，浮点数或者 Python 对象） 数据的大小（例如， 整数使用多少个字节存储） 数据的字节顺序（小端法或大端法） 在结构化类型的情况下，字段的名称、每个字段的数据类型和每个字段所取的内存块的部分 如果数据类型是子数组，它的形状和数据类型 字节顺序是通过对数据类型预先设定"<"或">"来决定的。"<"意味着小端法(最小值存储在最小的地址，即低位组放在最前面)。">"意味着大端法(最重要的字节存储在最小的地址，即高位组放在最前面)。 dtype 对象是使用以下语法构造的： numpy.dtype(object,align,copy) object - 要转换为的数据类型对象 align - 如果为 true，填充字段使其类似 C 的结构体。 copy - 复制 dtype 对象 ，如果为 false，则是对内置数据类型对象的引用 实例操作： 实例 1 importnumpyasnp#使用标量类型da=np.array([1,2,3])print(da.dtype) 输出结果为： int32 实例 2 importnumpyasnp#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('i4')print(dt) 输出结果为： int32 3、结构化数据类型的运用 结构化数据类型的使用，类型字段和对应的实际类型将被创建 实例1：创建年龄数组并且应用于 ndarray 对象 1）创建一个结构化数据类型 da = np.dtype(np.int64)print(da)# 创建dt = np.dtype([('age',np.int8)])print(dt) 输出结果为： int64[('age','i1')] 2）将结构化数据类型应用于ndarray 对象 dt=np.dtype([('age',np.int8)])a=np.array([(10,),(20,),(30,)],dtype=dt)print(a) 输出结果为： [(10,)(20,)(30,)] 3) 类型字段名可以用于存取实际的 age 列 dt=np.dtype([('age',np.int8)])a=np.array([(10,),(20,),(30,)],dtype=dt)print(a['age']) 输出结果为： [102030] 实例2：定义一个结构化数据类型 student，包含字符串字段 name，整数字段 age，及浮点字段 marks，并将这个 dtype 应用到 ndarray 对象。 1） 创建数组 student=np.dtype([('name','S20'),('age','i1'),('marks','f4')])print(student) 输出结果： [('name','S20'),('age','i1'),('marks','<f4')] 2） 将数组应用与 ndarray 对象 importnumpyasnpstudent=np.dtype([('name','S20'),('age','i1'),('marks','f4')])a=np.array([('abc',21,50),('xyz',18,75)],dtype=student)print(a) 输出结果为： [(b'abc',21,50.)(b'xyz',18,75.)] 3.1 内建类型的字符代码如下： 字符 对应类型 b 布尔型 i (有符号) 整型 u 无符号整型 integer f 浮点型 c 复数浮点型 m timedelta（时间间隔） M datetime（日期时间） O (Python) 对象 S, a (byte-)字符串 U Unicode V 原始数据 (void) 3.2 NumPy 数据类型转换 numpy 数据类型转换需要调用方法 astype()，不能直接修改 dtype。调用 astype 返回数据类型修改后的数据，但是源数据的类型不会变，需要进一步对源数据的赋值操作才能改变。 实例： da = np.array([1.2,1.1,1.0])# 输出 da 的数据类型print(da.dtype)# 输出 float64# 转换 da 的数据类型print(da.astype(np.int32))# 输出 [1 1 1]# 重新查看数据类型,发现数据类型还未改变print(da.dtype)# 输出 float64# 重新进行赋值操作da = da.astype(np.int32)print(da.dtype) # 输出int32print(da)# 输出 [1 1 1] 4、复数 我们把形如 z=a+bi（a, b均为实数）的数称为复数，其中 a 称为实部，b 称为虚部，i 称为虚数单位。 当虚部 b=0 时，复数 z 是实数；当虚部 b!=0 时，复数 z 是虚数；当虚部 b!=0 ，且实部 a=0 时，复数 z 是纯虚数。 实例： importnumpyasnpa=np.array([1,2,3],dtype=complex)print(a) 输出： [1.+0.j2.+0.j3.+0.j] 如上输出结果就是复数形式的数据类型 总结 本章节是对 NumPy Ndarray 对象及 NumPy 数据类型的用法作详细介绍，本文介绍的是 Ndarray 基础知识，等把 NumPy 所有知识点介绍完后会出一些项目实战，更好的给运用 NumPy 相关知识点的工程师提供支撑。 参考 https://www.runoob.com/numpy/numpy-ndarray-object.html https://www.runoob.com/numpy/numpy-dtype.html 文中示例代码：python-100-days
