NumPy 数据类型
numpy 支持的数据类型比 Python 内置的类型要多很多，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。下表列举了常用 NumPy 基本类型。
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）
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。
数据类型对象 (dtype)
数据类型对象dtype是numpy.dtype类的实例。它可以使用numpy.dtype创建。到目前为止，我们在numpy数组的例子中只使用了基本的数字数据类型，如int和float。这些numpy数组仅包含同类数据类型。dtype对象还可以包括基本数据类型的组合。在dtype的帮助下，我们能够创建“结构化数组”（“Structured Arrays”），也称为“记录数组”（“Record Arrays”）。结构化数组使我们能够为每列提供不同的数据类型。它与excel或csv文档的结构相似。（https://blog.csdn.net/bai666ai/article/details/123045117）
数据类型对象（numpy.dtype 类的实例）用来描述与数组对应的内存区域是如何使用，它描述了数据的以下几个方面：：
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，那么它的形状和数据类型是什么。
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)。
大端模式 (big-endian)是指数据的高字节保存在内存的低地址中，而数据的低字节保存在内存的高地址中，这样的存储模式有点儿类似于把数据当作字符串顺序处理：地址由小向大增加，而数据从高位往低位放；这和我们的阅读习惯一致。小端模式 (little-endian)是指数据的高字节保存在内存的高地址中，而数据的低字节保存在内存的低地址中，这种存储模式将地址的高低和数据位权有效地结合起来，高地址部分权值高，低地址部分权值低，和我们的逻辑方法一致。
例如一个16bit的short型x，在内存中的地址为0x0010，x的值为0x1122，那么0x11为高字节，0x22为低字节。对于大端模式，就将0x11放在低地址中，即0x0010中，0x22放在高地址中，即0x0011中。小端模式，刚好相反。我们常用的X86结构是小端模式，而KEIL C51则为大端模式。很多的ARM，DSP都为小端模式。
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
接下来我们可以通过实例来理解。
标量数据类型
实例 1
import numpy as np
# 使用标量类型
dt = np.dtype(np.int32)
print(dt)
输出结果为：
int32
实例 2
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('i4')
print(dt)
输出结果为：
int32
实例 3
import numpy as np
# 字节顺序标注
dt = np.dtype(' print(dt) 输出结果为： int32 结构化数据类型 可以把结构化的数组看为二维的表格，表格有若干列（字段），若干行（一行对应一个列表元素）。 列的名称和数据类型可以用结构化数据类型。一行是一个元组。 下面实例展示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 4 # 首先创建结构化数据类型 import numpy as np dt = np.dtype([('age',np.int8)]) # 字段名称 字段类型； 列表里面嵌套元组 print(dt) 输出结果为： [('age', 'i1')] 实例 5 # 将数据类型应用于 ndarray 对象 import numpy as np dt = np.dtype([('age',np.int8)]) # 字段名称 字段类型； 列表里面嵌套元组 a = np.array([(10,),(20,),(30,)], dtype = dt) # 列表里面嵌套元组 print(a) 输出结果为： [(10,) (20,) (30,)] 实例 6 # 类型字段名可以用于存取实际的 age 列 import numpy as np dt = np.dtype([('age',np.int8)]) # 字段名称 字段类型 # 列表里面嵌套元组 a = np.array([(10,),(20,),(30,)], dtype = dt) # 列表里面嵌套元组 print(a['age']) 输出结果为： [10 20 30] 下面的示例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。 实例 7 import numpy as np student = np.dtype([('name','S20'), ('age', 'i1'), ('marks', 'f4')]) # 字段名称 字段类型 # 列表里面嵌套元组 print(student) 输出结果为： [('name', 'S20'), ('age', 'i1'), ('marks', 'f4')] 实例 8 import numpy as np student = np.dtype([('name','S20'), ('age', 'i1'), ('marks', 'f4')]) # 字段名称 字段类型 # 列表里面嵌套元组 a = np.array([('abc', 21, 50),('xyz', 18, 75)], dtype = student) # 列表里面嵌套元组 print(a) 输出结果为： [('abc', 21, 50.0), ('xyz', 18, 75.0)] 示例： import numpy as np person=np.array([(1,"lisi",23,"man"),(2,"wangwu",26,"woman")], \ dtype=[('id','i4'),('name', 'S20'),('age', 'i4'), ('sex', 'S10')]) print(person['name']) 每个内建类型都有一个唯一定义它的字符代码，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) REF https://zhuanlan.zhihu.com/p/369993768 （NumPy之:结构化数组详解） https://vimsky.com/examples/usage/python-numpy.dtype.html https://www.runoob.com/numpy/numpy-dtype.html https://blog.csdn.net/bai666ai/article/details/123045117
发表评论