NumPy - Loại dữ liệu

NumPy hỗ trợ nhiều kiểu số hơn nhiều so với Python. Bảng sau đây cho thấy các kiểu dữ liệu vô hướng khác nhau được xác định trong NumPy.

Sr.No.	Loại dữ liệu & mô tả
1	bool_ Boolean (Đúng hoặc Sai) được lưu trữ dưới dạng byte
2	int_ Kiểu số nguyên mặc định (giống C long; thường là int64 hoặc int32)
3	intc Giống hệt với int C (thường là int32 hoặc int64)
4	intp Số nguyên được sử dụng để lập chỉ mục (giống như C ssize_t; thông thường là int32 hoặc int64)
5	int8 Byte (-128 đến 127)
6	int16 Số nguyên (-32768 đến 32767)
7	int32 Số nguyên (-2147483648 đến 2147483647)
số 8	int64 Số nguyên (-9223372036854775808 đến 9223372036854775807)
9	uint8 Số nguyên không dấu (0 đến 255)
10	uint16 Số nguyên không dấu (0 đến 65535)
11	uint32 Số nguyên không dấu (0 đến 4294967295)
12	uint64 Số nguyên không dấu (0 đến 18446744073709551615)
13	float_ Viết tắt cho float64
14	float16 Nửa chính xác float: bit dấu, số mũ 5 bit, phần định trị 10 bit
15	float32 Phao chính xác đơn: bit dấu, số mũ 8 bit, phần định trị 23 bit
16	float64 Phao chính xác kép: bit dấu, số mũ 11 bit, phần định trị 52 bit
17	complex_ Viết tắt cho từ phức128
18	complex64 Số phức, được biểu diễn bằng hai số thực 32 bit (thành phần thực và ảo)
19	complex128 Số phức, được biểu thị bằng hai số thực 64 bit (thành phần thực và ảo)

Các kiểu số NumPy là các thể hiện của các đối tượng dtype (kiểu dữ liệu), mỗi đối tượng có các đặc điểm riêng biệt. Các kiểu có sẵn như np.bool_, np.float32, v.v.

Đối tượng kiểu dữ liệu (dtype)

Một đối tượng kiểu dữ liệu mô tả diễn giải khối bộ nhớ cố định tương ứng với một mảng, tùy thuộc vào các khía cạnh sau:

Loại dữ liệu (số nguyên, đối tượng float hoặc Python)
Kích thước của dữ liệu
Thứ tự Byte (little-endian hoặc big-endian)
Trong trường hợp kiểu có cấu trúc, tên của các trường, kiểu dữ liệu của từng trường và một phần của khối bộ nhớ được lấy bởi từng trường.
Nếu kiểu dữ liệu là một mảng con, hình dạng và kiểu dữ liệu của nó

Thứ tự byte được quyết định bằng cách thêm tiền tố '<' hoặc '>' vào kiểu dữ liệu. '<' có nghĩa là mã hóa có giá trị nhỏ (ít quan trọng nhất được lưu trữ ở địa chỉ nhỏ nhất). '>' có nghĩa là mã hóa là big-endian (byte quan trọng nhất được lưu trữ ở địa chỉ nhỏ nhất).

Một đối tượng dtype được xây dựng bằng cú pháp sau:

numpy.dtype(object, align, copy)

Các thông số là -

Object - Được chuyển đổi thành đối tượng kiểu dữ liệu
Align - Nếu đúng, hãy thêm phần đệm vào trường để trường tương tự như C-struct
Copy- Tạo một bản sao mới của đối tượng dtype. Nếu sai, kết quả là tham chiếu đến đối tượng kiểu dữ liệu nội trang

ví dụ 1

# using array-scalar type 
import numpy as np 
dt = np.dtype(np.int32) 
print dt

Kết quả như sau:

int32

Ví dụ 2

#int8, int16, int32, int64 can be replaced by equivalent string 'i1', 'i2','i4', etc. 
import numpy as np 

dt = np.dtype('i4')
print dt

Kết quả như sau:

int32

Ví dụ 3

# using endian notation 
import numpy as np 
dt = np.dtype('>i4') 
print dt

Kết quả như sau:

>i4

Các ví dụ sau đây cho thấy việc sử dụng kiểu dữ liệu có cấu trúc. Ở đây, tên trường và kiểu dữ liệu vô hướng tương ứng sẽ được khai báo.

Ví dụ 4

# first create structured data type 
import numpy as np 
dt = np.dtype([('age',np.int8)]) 
print dt

Kết quả như sau:

[('age', 'i1')]

Ví dụ 5

# now apply it to ndarray object 
import numpy as np 

dt = np.dtype([('age',np.int8)]) 
a = np.array([(10,),(20,),(30,)], dtype = dt) 
print a

Kết quả như sau:

[(10,) (20,) (30,)]

Ví dụ 6

# file name can be used to access content of age column 
import numpy as np 

dt = np.dtype([('age',np.int8)]) 
a = np.array([(10,),(20,),(30,)], dtype = dt) 
print a['age']

Kết quả như sau:

[10 20 30]

Ví dụ 7

Các ví dụ sau xác định một kiểu dữ liệu có cấu trúc được gọi là student với một trường chuỗi 'tên', một integer field 'age' và một float field'điểm'. Loại dtype này được áp dụng cho đối tượng ndarray.

import numpy as np 
student = np.dtype([('name','S20'), ('age', 'i1'), ('marks', 'f4')]) 
print student

Kết quả như sau:

[('name', 'S20'), ('age', 'i1'), ('marks', '<f4')])

Ví dụ 8

import numpy as np 

student = np.dtype([('name','S20'), ('age', 'i1'), ('marks', 'f4')]) 
a = np.array([('abc', 21, 50),('xyz', 18, 75)], dtype = student) 
print a

Kết quả như sau:

[('abc', 21, 50.0), ('xyz', 18, 75.0)]

Mỗi kiểu dữ liệu dựng sẵn có một mã ký tự nhận dạng duy nhất nó.

'b' - boolean
'i' - (có dấu) số nguyên
'u' - số nguyên không dấu
'f' - dấu phẩy động
'c' - dấu phẩy động phức hợp
'm' - hẹn giờ
'M' - ngày giờ
'O' - Đối tượng (Python)
'S', 'a' - (byte-) chuỗi
'U' - Unicode
'V' - dữ liệu thô (vô hiệu)