Numpy中对象和类型有哪些特点及区别？
- 内容介绍
- 文章标签
- 相关推荐
本文共计1103个文字，预计阅读时间需要5分钟。
Numpy的ndarray类似于数组，但与Python列表不同：Python列表可以容纳不同类型的元素，具有强大的兼容性，但计算速度较慢；而Numpy数组在处理大数据时计算速度更快。
一、Numpy 对象：ndarray
Numpy 就类似于一个数组，与Python的列表不同的是：Python的列表可以放入不同类型的数据，这样的好处是兼容性强，但是劣势是计算速度变慢，在大数据的处理时，我们需要高效率，所以Numpy便出现了；相比Python对象，Numpy的对象叫做ndarray； ndarray的特点：
- 一般情况下，ndarray中的所有元素，类型都相同；当然，也可以不同；
- ndarray 中每个元素都有相同大小的存储空间；
二、新建 Numpy对象
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)
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举例如下：
import numpy as np # 导入包 a = np.array([1,2,3,4]) #一维数组建立 print ('a:',a) # 输出： a: [1 2 3 4] b = np.array([[1,2,3,4],[5,6,7,8]]) # 二维数组 print ('b:',b) # b: [[1 2 3 4] # [5 6 7 8]] c = np.array([[1,2,3,4],[5,6,7,8]],ndmin=3) # 指定最小纬度 print ('c:',c) # c: [[[1 2 3 4] # [5 6 7 8]]] d = np.array([[1,2,3,4],[5,6,7,8]],dtype=complex) #制定数据类型 print ('d:',d) # d: [[1.+0.j 2.+0.j 3.+0.j 4.+0.j] # [5.+0.j 6.+0.j 7.+0.j 8.+0.j]]三、Numpy数据类型
3.1 常见数据类型
由于是专门用来数据分析的包，故numpy支持非常多种数据类型，可根据需求选择合适的数据类型，可以大大提高运行速度；常用的数据类型如下： 备注：调用numpy 数据类型时，可以通过np.数据类型来调用，例如：np.int8，np.float16 等；
名称 类型代码 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） int8 i1 字节（-128 to 127） int16 i2 整数（-32768 to 32767） int32 i4 整数（-2147483648 to 2147483647） int64 i8 整数（-9223372036854775808 to 9223372036854775807） uint8 u1 无符号整数（0 to 255） uint16 u2 无符号整数（0 to 65535） uint32 u4 无符号整数（0 to 4294967295） uint64 u8 无符号整数（0 to 18446744073709551615） float_ float64 类型的简写 float16 f2 半精度浮点数，包括：1 个符号位，5 个指数位，10 个尾数位 float32 f4 / f 单精度浮点数，包括：1 个符号位，8 个指数位，23 个尾数位 float64 f8 / d 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 c8 复数，表示双 32 位浮点数（实数部分和虚数部分） complex128 c16 复数，表示双 64 位浮点数（实数部分和虚数部分） object O Python 对象类型 string_ S 固定长度字符串，如长度为20的字符串，为S20 a = np.array([1.1,2,3,4],dtype = np.float64) print ('a:',a) # float64 类型 b = np.array([[1,2,3,4],[5,6,7,8]],dtype = 'f4') print ('b:',b) # float32 类型3.2 数据类型转换
使用astype来改变数组的数据类型
a = np.array([1.1,2.3,3.5,4.7],dtype = np.float64) b = a.astype(np.int_) print(b) # [1 2 3 4] 输出变为了整型3.3 数据类型dtype
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；使用方法如下：
numpy.dtype(object, align, copy)
参数说明：
名称 描述 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举例如下：
student = np.dtype([('name','S10'), ('age', 'i1'), ('marks', 'f4')]) a = np.array([('abc', 21, 50),('xyz', 18, 75)], dtype = student) print(a) # [(b'abc', 21, 50.) (b'xyz', 18, 75.)]本文共计1103个文字，预计阅读时间需要5分钟。
Numpy的ndarray类似于数组，但与Python列表不同：Python列表可以容纳不同类型的元素，具有强大的兼容性，但计算速度较慢；而Numpy数组在处理大数据时计算速度更快。
一、Numpy 对象：ndarray
Numpy 就类似于一个数组，与Python的列表不同的是：Python的列表可以放入不同类型的数据，这样的好处是兼容性强，但是劣势是计算速度变慢，在大数据的处理时，我们需要高效率，所以Numpy便出现了；相比Python对象，Numpy的对象叫做ndarray； ndarray的特点：
- 一般情况下，ndarray中的所有元素，类型都相同；当然，也可以不同；
- ndarray 中每个元素都有相同大小的存储空间；
二、新建 Numpy对象
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)
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举例如下：
import numpy as np # 导入包 a = np.array([1,2,3,4]) #一维数组建立 print ('a:',a) # 输出： a: [1 2 3 4] b = np.array([[1,2,3,4],[5,6,7,8]]) # 二维数组 print ('b:',b) # b: [[1 2 3 4] # [5 6 7 8]] c = np.array([[1,2,3,4],[5,6,7,8]],ndmin=3) # 指定最小纬度 print ('c:',c) # c: [[[1 2 3 4] # [5 6 7 8]]] d = np.array([[1,2,3,4],[5,6,7,8]],dtype=complex) #制定数据类型 print ('d:',d) # d: [[1.+0.j 2.+0.j 3.+0.j 4.+0.j] # [5.+0.j 6.+0.j 7.+0.j 8.+0.j]]三、Numpy数据类型
3.1 常见数据类型
由于是专门用来数据分析的包，故numpy支持非常多种数据类型，可根据需求选择合适的数据类型，可以大大提高运行速度；常用的数据类型如下： 备注：调用numpy 数据类型时，可以通过np.数据类型来调用，例如：np.int8，np.float16 等；
名称 类型代码 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） int8 i1 字节（-128 to 127） int16 i2 整数（-32768 to 32767） int32 i4 整数（-2147483648 to 2147483647） int64 i8 整数（-9223372036854775808 to 9223372036854775807） uint8 u1 无符号整数（0 to 255） uint16 u2 无符号整数（0 to 65535） uint32 u4 无符号整数（0 to 4294967295） uint64 u8 无符号整数（0 to 18446744073709551615） float_ float64 类型的简写 float16 f2 半精度浮点数，包括：1 个符号位，5 个指数位，10 个尾数位 float32 f4 / f 单精度浮点数，包括：1 个符号位，8 个指数位，23 个尾数位 float64 f8 / d 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 c8 复数，表示双 32 位浮点数（实数部分和虚数部分） complex128 c16 复数，表示双 64 位浮点数（实数部分和虚数部分） object O Python 对象类型 string_ S 固定长度字符串，如长度为20的字符串，为S20 a = np.array([1.1,2,3,4],dtype = np.float64) print ('a:',a) # float64 类型 b = np.array([[1,2,3,4],[5,6,7,8]],dtype = 'f4') print ('b:',b) # float32 类型3.2 数据类型转换
使用astype来改变数组的数据类型
a = np.array([1.1,2.3,3.5,4.7],dtype = np.float64) b = a.astype(np.int_) print(b) # [1 2 3 4] 输出变为了整型3.3 数据类型dtype
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；使用方法如下：
numpy.dtype(object, align, copy)
参数说明：
名称 描述 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举例如下：
student = np.dtype([('name','S10'), ('age', 'i1'), ('marks', 'f4')]) a = np.array([('abc', 21, 50),('xyz', 18, 75)], dtype = student) print(a) # [(b'abc', 21, 50.) (b'xyz', 18, 75.)]