Исследование типов данных NumPy

Введение

В этом практическом занятии мы рассмотрим типы данных в библиотеке NumPy для Python. Мы также изучим синтаксис объекта dtype и его параметры.

Советы по работе с ВМ

После запуска виртуальной машины перейдите в левый верхний угол и переключитесь на вкладку Notebook, чтобы приступить к практике в Jupyter Notebook.

Иногда может потребоваться подождать несколько секунд, пока Jupyter Notebook полностью загрузится. Проверка операций не может быть автоматизирована из-за ограничений Jupyter Notebook.

Если вы столкнетесь с проблемами во время обучения, не стесняйтесь обращаться к Labby. Оставьте отзыв после занятия, и мы оперативно решим проблему для вас.

Введение в объект NumPy dtype

В NumPy все элементы массива являются объектами данных типа, которые также известны как NumPy dtypes. Объект данных типа используется для реализации фиксированного размера памяти, соответствующей массиву.

Он в основном предоставляет нам информацию о следующем:

• Тип данных (например, integer, float или Python object)
• Размер данных
• Порядок байт (little-endian или big-endian)
• В случае структурированного типа он сообщает нам о названиях полей, типе данных каждого поля и части памяти занимаемой каждым полем.
• В случае, если тип данных является подмассивом, он сообщает нам о его форме и типе данных

Создание объекта NumPy dtype

Ниже приведен необходимый синтаксис для создания объекта dtype:

numpy.dtype(object, align, copy)

Ниже описаны аргументы конструктора, приведенного выше:

• object: Этот аргумент используется для представления объекта, который должен быть преобразован в тип данных.
• align: Это необязательный аргумент. Он используется для добавления-padding к полям, чтобы соответствовать тому, что бы выдал компилятор C для подобной C-структуры. Этот аргумент может быть установлен в любое булево значение.
• copy: Этот аргумент используется для создания копии объекта dtype и он также является необязательным аргументом.

Числовые типы данных в NumPy

Библиотека NumPy в основном предоставляет шире диапазон числовых типов данных, чем это делает Python. Список числовых типов данных приведен в таблице ниже:

Символы, используемые для представления dtype в NumPy

Ниже приведен список символов, которые используются для представления dtype в NumPy:

• i: целое число
• b: булево
• u: беззнаковое целое число
• f: вещественное число
• c: комплексное вещественное число
• m: временной интервал
• M: дата и время
• O: объект
• S: строка
• U: строка Unicode
• V: фиксированный кусок памяти для других типов (void)

Примеры

Пример 1: Поиск типа данных массива

Попробуем определить тип данных массива, содержащего строки:

import numpy as np

ar1 = np.array(['chair', 'book', 'notebook'])
print(ar1.dtype)

Результат:

<U8

Пример 2: Создание объекта dtype

Можно создать объект dtype с использованием функции numpy.dtype.

import numpy as np

dt1 = np.dtype(np.int64)
print (dt1)

Результат:

int64

Пример 3: Использование более короткой записи числовых типов данных

В следующем примере мы будем использовать более короткую запись числовых типов данных:

import numpy as np

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

Результат:

int32

Пример 4: Создание структурированного объекта dtype

Создадим структурированный тип данных и применим его к объекту ndarray:

import numpy as np

## информация с ключом и значением
a = np.dtype([('rollno',np.int16)])
print(a)

a = np.array([(101,),(201,),(301,)], dtype=a)
print(a)

Результат:

[('rollno', '<i2')]
[(101,) (201,) (301,)]

Пример 5: Изменение типа данных

В следующем примере мы изменим тип данных с float на integer, используя int в качестве параметра значения:

import numpy as np

ar= np.array([1.1, 2.1, 3.1])

newarr = ar.astype(int)

print(newarr)
print(newarr.dtype)

Результат:

[1 2 3]
int64

Резюме

В этом практическом занятии мы рассмотрели концепцию типов данных в массиве. Мы увидели, как объект dtype используется для указания типа данных значений, его синтаксис и параметры, необходимые для объекта dtype. Мы также рассмотрели различные числовые типы данных и несколько примеров для вашего понимания.