Arrayattribute und Dtype

Einführung

In diesem Tutorial werden wir uns die Attribute von NumPy-Arrays ansehen, wobei wir uns auf das Attribut dtype konzentrieren. NumPy ist eine leistungsstarke Bibliothek für numerische Berechnungen in Python, und das NumPy-Array ist eine Kern-Datenstruktur für diese Bibliothek.

NumPy-Arrays sind mehrdimensionale, homogene Arrays, was bedeutet, dass sie Elemente vom gleichen Datentyp in mehreren Dimensionen speichern können. Sie sind effizient und bequem für numerische Operationen und bieten viele Funktionen und Möglichkeiten.

Erstellen von NumPy-Arrays

Bevor wir uns die Attribute von NumPy-Arrays ansehen, erstellen wir zunächst ein NumPy-Array. Sie können NumPy-Arrays aus Listen, Tupeln oder anderen Arrays mit der Funktion numpy.array() erstellen.

Öffnen der Python-Shell

Öffnen Sie die Python-Shell, indem Sie den folgenden Befehl in der Konsole eingeben.

python3

Jetzt können Sie die Funktion numpy.array() verwenden, um NumPy-Arrays zu erstellen

import numpy as np

## Erstellen eines eindimensionalen Arrays aus einer Liste
one_d_array = np.array([1, 2, 3, 4, 5])

## Erstellen eines zweidimensionalen Arrays aus einer Liste von Listen
two_d_array = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

NumPy-Arrayattribute

NumPy-Arrays haben mehrere Attribute, die Informationen über die Eigenschaften des Arrays liefern, wie z.B.:

• shape: Ein Tupel, das die Dimensionen des Arrays repräsentiert.
• size: Die Gesamtzahl der Elemente im Array.
• ndim: Die Dimensionen (Achsen) des Arrays.
• dtype: Der Datentyp der Arrayelemente.
• itemsize: Die Größe in Bytes jedes Elements im Array.

Verwenden von Array-Attributen

Jetzt können wir diese Attribute in der Praxis verwenden:

## Erstellen eines zweidimensionalen Arrays
array = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

## Abrufen der Form des Arrays
print("Form:", array.shape)  ## Ausgabe: (3, 3)

## Abrufen der Größe des Arrays
print("Größe:", array.size)  ## Ausgabe: 9

## Abrufen der Anzahl der Dimensionen des Arrays
print("Anzahl der Dimensionen:", array.ndim)  ## Ausgabe: 2

## Abrufen des Datentyps der Arrayelemente
print("Datentyp:", array.dtype)  ## Ausgabe: int64 (oder int32, je nach System)

## Abrufen der Größe in Bytes jedes Elements im Array
print("Elementgröße:", array.itemsize)  ## Ausgabe: 8 (oder 4, je nach System)

Das Verständnis von dtype

Das Attribut dtype ist besonders wichtig, da es den Datentyp bestimmt, der im Array gespeichert wird. NumPy unterstützt verschiedene Datentypen, wie Ganzzahlen (int8, int16, int32, int64), unsigned Ganzzahlen (uint8, uint16, uint32, uint64), Gleitkommazahlen (float16, float32, float64) und komplexe Zahlen (complex64, complex128).

Wenn Sie ein NumPy-Array erstellen, können Sie den dtype über den Parameter dtype angeben. Wird dies nicht angegeben, versucht NumPy, den Datentyp aus den Eingabedaten zu inferieren.

Verwendung von dtype

Lassen Sie uns die Verwendung des Attributs dtype untersuchen

## Erstellen eines Float-Arrays aus einer Liste
float_array = np.array([1.2, 2.3, 3.4, 4.5], dtype=np.float32)
print("Float-Array dtype:", float_array.dtype)  ## Ausgabe: float32

## Erstellen eines Integer-Arrays aus einer Liste
int_array = np.array([1, 2, 3, 4, 5], dtype=np.int16)
print("Integer-Array dtype:", int_array.dtype)  ## Ausgabe: int16

## Erstellen eines komplexen Arrays aus einer Liste
complex_array = np.array([1 + 2j, 2 + 3j, 3 + 4j], dtype=np.complex64)
print("Komplexes Array dtype:", complex_array.dtype)  ## Ausgabe: complex64

## Erstellen eines Arrays und lassen Sie NumPy den Datentyp inferieren
mixed_array = np.array([1, 2, 3.5, 4.5])
print("Gemischtes Array dtype:", mixed_array.dtype)  ## Ausgabe: float64

## Ändern des Datentyps eines bestehenden Arrays
new_dtype_array = mixed_array.astype(np.int32)
print("Neuer dtype-Array:", new_dtype_array)  ## Ausgabe: [1 2 3 4]
print("Neuer dtype:", new_dtype_array.dtype)  ## Ausgabe: int32

## Erstellen eines Arrays von Nullen mit angegebenem dtype
zeros_array = np.zeros((3, 3), dtype=np.uint8)
print("Array von Nullen mit dtype uint8:\n", zeros_array) ## Ausgabe:[[0 0 0] [0 0 0] [0 0 0]]

Zusammenfassung

Zusammenfassend lässt sich sagen, dass dieses Tutorial sich auf die Attribute von NumPy-Arrays, insbesondere das Attribut dtype, konzentriert hat. Wir haben die Erstellung von NumPy-Arrays behandelt, wichtige Attribute untersucht und die Bedeutung von dtype untersucht. Das Verständnis und die effektive Verwendung des Attributs dtype ist entscheidend für effiziente und genaue numerische Berechnungen in Python mit NumPy-Arrays. Halten Sie sich daran, üben, um Ihre Fertigkeiten mit NumPy-Arrays und ihren Attributen zu verbessern.