1.2NumPy中的数据类型

>>> import numpy as np
>>> print(type(np.arange(6)))
<class 'numpy.ndarray'>
>>>

1.NumPy中的ndarray是一个多维数组对象

该对象分两部分：

实际的数据；

描述这些数据的元数据；

实际上大部分数组操作，仅仅修改元数据部分，而不改变底层的实际数据。

NumPy中数组元素类型都是一样的，这样所需存储空间就很容易确定。

>>> import numpy as np
>>> a=np.arange(6)
>>> a
array([0, 1, 2, 3, 4, 5])
>>> b=np.arange(6,dtype=np.float64)  #dtype可以指定创建数据类型
>>> b
array([ 0.,  1.,  2.,  3.,  4.,  5.])
>>> a.dtype.itemsize                #单个数组元素占内存字节数
8
>>> b.dtype.itemsize
8
>>> c=np.arange(6,dtype=np.int8)
>>> c
array([0, 1, 2, 3, 4, 5], dtype=int8)
>>> c.dtype.itemsize
1
>>> c.dtype
dtype('int8')
>>> c.ndim
1
>>> c.shape    #shape属性返回一个元组
(6,)
>>> 

数组的shape属性返回一个元组(tuple)，元组中的元素即为NumPy数组每个维度的大小。

Python支持的数据类型有整形、浮点型以及复数型，但这些类型不足以满足科学计算的需求，因此NumPy添加了很多其他的数据类型：

类型	描述
bool	用一位存储的布尔类型（值为TRUE或FALSE）
inti	由所在平台决定其精度的整数（一般为int32或int64）
int8	整数，范围为-128至127
int16	整数，范围为-32768至32767
int32	整数，范围为-231至231-1
int64	整数，范围为-263至263-1
uint8	无符号整数，范围为0至255
uint16	无符号整数，范围为0至65 535
uint32	无符号整数，范围为0至232-1
uint64	无符号整数，范围为0至264-1
float16	半精度浮点数（16位）：其中用1位表示正负号，5位表示指数，10位表示尾数
float32	单精度浮点数（32位）：其中用1位表示正负号，8位表示指数，23位表示尾数
float64或float	双精度浮点数（64位）：其中用1位表示正负号，11位表示指数，52位表示尾数
complex64	复数，分别用两个32位浮点数表示实部和虚部
complex12或complex	复数，分别用两个64位浮点数表示实部和虚部

NumPy可以使用字符编码来表述数据类型，这是为了兼容NumPy的前身Numeric，不建议使用；

数据类型	字符编码
整数	i
无符号整数	u
单精度浮点数	f
双精度浮点数	d
布尔值	b
复数	D
字符串	S
Unicode字符串	U
void (空)	V

2.dtype类的属性

1) dtype类有很多属性，

>>> t=np.dtype('float64')
>>> t.type                    
<class 'numpy.float64'>
>>> t.char      #获取数据类型的字符编码
'd'

'''
str属性表示数据类型的字符串表示，
1.'<':首字符表示字节序'>'表大端，'<'=>小端;
2.'f':字符编码;
3.'8':每个数组元素存储所需字节数;
'''
>>> t.str  
'<f8'

2)创建自定义数据类型：

创建一个数组，数组每个元素类型为：用一个长度为40字符的字符串来表示商品名，用一个32位整数记录商品数量，用一个32位浮点数记录商品价格

>>> from numpy import *
>>> t = np.dtype([('name',np.str_,40),('numitems',int32),('price',float32)])
>>> t
dtype([('name', '<U40'), ('numitems', '<i4'), ('price', '<f4')])
>>> t['name']
dtype('<U40')
>>> itemz = array([('Meaning of life DVD',42,3.1415),('Butter',13,2.72)],dtype=t)
>>> itemz[1]
('Butter', 13,  2.72000003)
>>>