Numpy数据类型

Python的易用之处在于动态输入，每个变量的数据类型是动态推断的，而C语言的是被明确地声明。

Python的数据类型其实是一个Python对象，每一个Python对象都是一个聪明的伪C语言结构体，该结构体不仅包含值，也包含其它信息。在定义一个Python对象时，其实是定义一个指针，指向包含这个Python对象的所有信息的某个内存位置，由于Python对象的整个数据类型结构体里面还包含大量额外的信息，相对C语言来说这些信息会增加额外的负担。

Numpy的数组与Python列表差异：

• Python列表每一个元素都是完整的结构体，包含数据和类型信息；比较灵活，可用任意类型填充。
• Numpy数组是固定类型的，要求数组内必须包含同一类型的数据，如果类型不匹配，Numpy将会向上转换（如果可行），如整型可以转换成浮点型；缺乏灵活性，但是可更有效存储和操作数据。

Numpy基本数据类型表

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，一般是int 32 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）

#获取数组数据类型
In [11]: arr = np.array([1,2,3,4])
In [12]: arr.dtype
Out[12]: dtype('int32')

#转换数组数据类型
In [13]: float_arr = arr.astype(np.float64)
In [14]: float_arr.dtype
Out[14]: dtype('float64')

#转换数组与另一个数组一样的数据类型
In [15]: arr2 = np.array([2.22,3.33,-1.2])
In [17]: float_arr2 = arr.astype(arr2.dtype)
In [18]: float_arr2
Out[18]: array([1., 2., 3., 4.])
In [19]: float_arr2.dtype
Out[19]: dtype('float64')

#创建结构化数据类型
In [2]: a = np.array([1,2,3],dtype = complex)
In [3]: a
Out[3]: array([1.+0.j, 2.+0.j, 3.+0.j])

In [4]: dt = np.dtype([('age',np.int8)])
In [5]: dt
Out[5]: dtype([('age', 'i1')])

In [6]: a = np.array([(10,),(20,),(30,)],dtype = dt)
In [7]: a
Out[7]: array([(10,), (20,), (30,)], dtype=[('age', 'i1')])

In [8]: a['age']
Out[8]: array([10, 20, 30], dtype=int8)