资料类型

数组类型和类型之间的转换¶

NumPy比Python支持更多的数字类型。本节显示哪些可用，以及如何修改数组的数据类型。

支持的基本类型与C中的紧密相关：

由于其中许多具有平台相关的定义，因此提供了一组固定大小的别名：

NumPy数值类型是dtype（数据类型）对象的实例，每个对象都有独特的特征。导入NumPy后，请使用

>>> import numpy as np

在dtypes可作为np.bool_，np.float32等等。

上表中未列出的高级类型在“ 结构化数组”部分中进行了探讨。

有5种基本的数值类型，分别代表布尔（布尔），整数（int），无符号整数（uint）浮点（float）和复数。名称中带有数字的数字表示该类型的位大小（即，需要多少位来表示内存中的单个值）。某些类型（例如int和 intp）具有不同的位大小，具体取决于平台（例如32位与64位计算机）。当与寻址原始内存的低级代码（例如C或Fortran）接口时，应考虑到这一点。

数据类型可用作将python数字转换为数组标量的函数（有关说明，请参见数组标量部分），将python数字序列转换为该类型的数组，或用作许多numpy函数或方法接受的dtype关键字的参数。一些例子：

>>> import numpy as np
>>> x = np.float32(1.0)
>>> x
1.0
>>> y = np.int_([1,2,4])
>>> y
array([1, 2, 4])
>>> z = np.arange(3, dtype=np.uint8)
>>> z
array([0, 1, 2], dtype=uint8)

数组类型也可以用字符代码来指代，主要是为了保持与诸如Numeric之类的旧程序包的向后兼容性。一些文档可能仍引用这些文档，例如：

>>> np.array([1, 2, 3], dtype='f')
array([ 1.,  2.,  3.], dtype=float32)

我们建议改为使用dtype对象。

要转换数组的类型，请使用.astype（）方法（首选）或将类型本身用作函数。例如：

>>> z.astype(float)                 
array([  0.,  1.,  2.])
>>> np.int8(z)
array([0, 1, 2], dtype=int8)

请注意，上面我们将Python float对象用作dtype。NumPy的人都知道int是指np.int_，bool手段np.bool_，那float是np.float_和complex是np.complex_。其他数据类型没有Python等效项。

要确定数组的类型，请查看dtype属性：

>>> z.dtype
dtype('uint8')

dtype对象还包含有关类型的信息，例如其位宽和字节顺序。数据类型也可以间接用于查询该类型的属性，例如是否为整数：

>>> d = np.dtype(int)
>>> d
dtype('int32')

>>> np.issubdtype(d, np.integer)
True

>>> np.issubdtype(d, np.floating)
False

数组标量¶

NumPy通常以数组标量（具有关联的dtype的标量）的形式返回数组的元素。数组标量与Python标量不同，但是它们在大多数情况下可以互换使用（主要的例外是v2.x之前的Python版本，其中整数数组标量不能用作列表和元组的索引）。有一些例外，例如，当代码需要标量的非常特定的属性时，或者当代码专门检查值是否为Python标量时。通常，存在的问题很容易被显式转换阵列标量到Python标量，采用相应的Python类型功能固定的（例如，int，float，complex，str，unicode）。

使用数组标量的主要优点是它们保留了数组类型（Python可能没有可用的匹配标量类型，例如int16）。因此，使用数组标量可以确保数组和标量之间的行为相同，而不管该值是否在数组内部。NumPy标量也具有许多与数组相同的方法。

溢出错误¶

当值需要的数据量大于数据类型中可用的内存量时，NumPy数值类型的固定大小可能会导致溢出错误。例如， 正确numpy.power评估64位整数，但给出32749整数的1874919424（不正确）。100 * 10 ** 8

>>> np.power(100, 8, dtype=np.int64)
10000000000000000
>>> np.power(100, 8, dtype=np.int32)
1874919424

NumPy和Python整数类型的行为对于整数溢出有显着差异，并且可能会使期望NumPy整数的行为类似于Python的用户感到困惑int。与NumPy不同，Python的大小int很灵活。这意味着Python整数可以扩展以容纳任何整数，并且不会溢出。

NumPy提供numpy.iinfo并numpy.finfo分别验证NumPy整数和浮点值的最小值或最大值

>>> np.iinfo(int) # Bounds of the default integer on this system.
iinfo(min=-9223372036854775808, max=9223372036854775807, dtype=int64)
>>> np.iinfo(np.int32) # Bounds of a 32-bit integer
iinfo(min=-2147483648, max=2147483647, dtype=int32)
>>> np.iinfo(np.int64) # Bounds of a 64-bit integer
iinfo(min=-9223372036854775808, max=9223372036854775807, dtype=int64)

如果64位整数仍然太小，则结果可能会强制转换为浮点数。浮点数提供了更大但不精确的可能值范围。

>>> np.power(100, 100, dtype=np.int64) # Incorrect even with 64-bit int
0
>>> np.power(100, 100, dtype=np.float64)
1e+200

扩展精度¶

Python的浮点数通常是64位浮点数，几乎等于np.float64。在某些特殊情况下，更精确地使用浮点数可能很有用。是否可以在numpy中实现取决于硬件和开发环境：具体来说，x86机器提供具有80位精度的硬件浮点，而大多数C编译器将其作为类型提供 ，MSVC（Windows构建的标准）使得 等同于（64位）。NumPy使编译器可用于（以及 用于复数）。您可以找到numpy提供的功能。long doublelong doubledoublelong doublenp.longdoublenp.clongdoublenp.finfo(np.longdouble)

NumPy不提供比C精度更高的dtype ；特别是128位IEEE四精度数据类型（FORTRAN's ）不可用。long doubleREAL*16

为了有效地进行内存对齐，np.longdouble通常使用零位填充存储到96或128位。哪个更有效取决于硬件和开发环境；通常在32位系统上，它们被填充为96位，而在64位系统上，它们通常被填充为128位。np.longdouble被填充为系统默认值；np.float96并np.float128为需要特定填充的用户提供。尽管有这些名称，np.float96并且 np.float128仅提供与一样高的精度np.longdouble，即在大多数x86机器上为80位，在标准Windows版本中为64位。

请注意，即使np.longdouble提供比python更高的精度float，也容易失去这种额外的精度，因为python经常会强制值通过float。例如，%格式化操作符要求将其参数转换为标准python类型，因此即使请求了许多小数位，也无法保持扩展的精度。使用value测试代码可能很有用 。1 + np.finfo(np.longdouble).eps