1、數組類型和類型之間的轉換

NumPy 支持的數值類型比 Python 多得多。本節(jié)顯示哪些可用，以及如何修改數組的數據類型。 支持的基本類型與 C 中的基本類型密切相關：

由于其中許多具有平臺相關的定義，因此提供了一組固定大小的別名（請參閱大小別名）。

NumPy 數字類型是dtype（數據類型）對象的實例，每個對象都有獨特的特征。使用導入 NumPy 后

>>> import numpy as np

在dtypes可作為np.bool_，np.float32等等。

上面未列出的高級類型在結構化數組部分進行了探討。

有 5 種基本數字類型表示布爾值 (bool)、整數 (int)、無符號整數 (uint) 浮點數 (float) 和復數。名稱中帶有數字的那些表示類型的位大?。幢硎緝却嬷械膯蝹€值需要多少位）。某些類型（例如int和?intp）具有不同的位大小，具體取決于平臺（例如 32 位與 64 位機器）。在與尋址原始內存的低級代碼（例如 C 或 Fortran）接口時，應考慮到這一點。

數據類型可以用作將 python 數字轉換為數組標量的函數（有關解釋，請參閱數組標量部分），將數字的 python 序列轉換為該類型的數組，或作為許多 numpy 函數或方法接受的 dtype 關鍵字的參數.?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)

數組類型也可以通過字符代碼引用，主要是為了保持與舊包（如 Numeric）的向后兼容性。一些文檔可能仍然引用這些，例如：

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

我們建議改用 dtype 對象。

要轉換數組的類型，請使用 .astype() 方法（首選）或類型本身作為函數。例如：

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

請注意，在上面，我們使用Python浮點對象作為 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_。其他數據類型沒有 Python 等價物。

要確定數組的類型，請查看 dtype 屬性：

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

dtype 對象還包含有關類型的信息，例如其位寬和字節(jié)順序。數據類型也可以間接用于查詢該類型的屬性，例如是否為整數：

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


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


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

2、數組標量

NumPy 通常將數組元素作為數組標量（具有關聯(lián) dtype 的標量）返回。數組標量與 Python 標量不同，但在大多數情況下，它們可以互換使用（主要的例外是 v2.x 之前的 Python 版本，其中整數數組標量不能作為列表和元組的索引）。有一些例外，例如當代碼需要標量的非常具體的屬性時，或者當它專門檢查一個值是否是 Python 標量時。通常，通過使用相應的 Python 類型函數（例如int、float、complex、str、unicode）將數組標量顯式轉換為 Python 標量，可以輕松解決問題。

使用數組標量的主要優(yōu)點是它們保留了數組類型（Python 可能沒有可用的匹配標量類型，例如int16）。因此，使用數組標量可確保數組和標量之間的行為相同，無論該值是否在數組內。NumPy 標量也有許多與數組相同的方法。

3、溢出錯誤

當值需要比數據類型中可用的更多內存時，NumPy 數字類型的固定大小可能會導致溢出錯誤。例如，?對于 64 位整數numpy.power計算正確，但對于 32 位整數給出 1874919424（不正確）。100?**?8

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

NumPy 和 Python 整數類型的行為在整數溢出方面存在顯著差異，并且可能會使期望 NumPy 整數行為類似于 Python 的int.?與 NumPy 不同，Python 的大小int是靈活的。這意味著 Python 整數可以擴展以容納任何整數并且不會溢出。

NumPy 提供numpy.iinfo并numpy.finfo分別驗證 NumPy 整數和浮點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 位整數仍然太小，則結果可能會轉換為浮點數。浮點數提供了更大但不精確的可能值范圍。

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

4、擴展精度

Python 的浮點數通常是 64 位浮點數，幾乎相當于np.float64.?在某些不尋常的情況下，使用更精確的浮點數可能會很有用。這在 numpy 中是否可行取決于硬件和開發(fā)環(huán)境：具體來說，x86 機器提供具有 80 位精度的硬件浮點，雖然大多數 C 編譯器都提供這種?類型，但 MSVC（Windows 構建的標準）使得?等同于（64 位）。NumPy 使編譯器可用作（以及?用于復數）。您可以找出 numpy 提供的內容。long?double``long?double``double``long?double``np.longdouble``np.clongdouble``np.finfo(np.longdouble)

NumPy 不提供比 C 的\更精確的 dtype?；特別是 128 位 IEEE 四精度數據類型（FORTRAN 的\）不可用。long?double``REAL*16

為了有效的內存對齊，np.longdouble通常用零位填充存儲，要么是 96 位要么是 128 位。哪個更高效取決于硬件和開發(fā)環(huán)境；通常在 32 位系統(tǒng)上它們被填充到 96 位，而在 64 位系統(tǒng)上它們通常被填充到 128 位。np.longdouble填充到系統(tǒng)默認值；np.float96并np.float128為需要特定填充的用戶提供。盡管有這些名稱，np.float96并且?np.float128僅提供與 一樣多的精度np.longdouble，即大多數 x86 機器上的 80 位和標準 Windows 版本中的 64 位。

請注意，即使np.longdouble提供比 python 更高的精度float，也很容易失去額外的精度，因為 python 經常強制值通過float。例如，%格式化操作符要求將其參數轉換為標準的 Python 類型，因此即使請求了許多小數位，也無法保留擴展精度。使用值測試您的代碼會很有用?。1?+?np.finfo(np.longdouble).eps