这篇文章主要讲解了“Numpy对象与类型怎么应用”，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习“Numpy对象与类型怎么应用”吧！
一、Numpy 对象：ndarray
Numpy 就类似于一个数组，与Python的列表不同的是：Python的列表可以放入不同类型的数据，这样的好处是兼容性强，但是劣势是计算速度变慢，在大数据的处理时，我们需要高效率，所以Numpy便出现了；相比Python对象，Numpy的对象叫做ndarray；ndarray的特点：
一般情况下，ndarray中的所有元素，类型都相同；当然，也可以不同；
ndarray 中每个元素都有相同大小的存储空间；
二、新建 Numpy对象
创建一个 ndarray 只需调用 NumPy 的 array 函数即可，如下：
numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)
参数说明：
| 名称 | 描述 |
|---|---|
| object | 数组或嵌套的数列 |
| dtype | 数组元素的数据类型，可选 |
| copy | 对象是否需要复制，可选 |
| order | 创建数组的样式，C为行方向，F为列方向，A为任意方向（默认） |
| subok | 默认返回一个与基类类型一致的数组 |
| ndmin | 指定生成数组的最小维度 |
举例如下：
import numpy as np # 导入包
a = np.array([1,2,3,4]) #一维数组建立
print ('a:',a)
# 输出： a: [1 2 3 4]
b = np.array([[1,2,3,4],[5,6,7,8]]) # 二维数组
print ('b:',b)
# b: [[1 2 3 4]
# [5 6 7 8]]
c = np.array([[1,2,3,4],[5,6,7,8]],ndmin=3) # 指定最小纬度
print ('c:',c)
# c: [[[1 2 3 4]
# [5 6 7 8]]]
d = np.array([[1,2,3,4],[5,6,7,8]],dtype=complex) #制定数据类型
print ('d:',d)
# d: [[1.+0.j 2.+0.j 3.+0.j 4.+0.j]
# [5.+0.j 6.+0.j 7.+0.j 8.+0.j]]三、Numpy数据类型
3.1 常见数据类型
由于是专门用来数据分析的包，故numpy支持非常多种数据类型，可根据需求选择合适的数据类型，可以大大提高运行速度；常用的数据类型如下： 备注：调用numpy 数据类型时，可以通过np.数据类型来调用，例如：np.int8，np.float16 等；
| 名称 | 类型代码 | 描述 |
|---|---|---|
| bool_ | ? | 布尔型数据类型（True 或者 False） |
| int_ | 默认的整数类型（类似于 C 语言中的 long，int32 或 int64） | |
| int8 | i1 | 字节（-128 to 127） |
| int16 | i2 | 整数（-32768 to 32767） |
| int32 | i4 | 整数（-2147483648 to 2147483647） |
| int64 | i8 | 整数（-9223372036854775808 to 9223372036854775807） |
| uint8 | u1 | 无符号整数（0 to 255） |
| uint16 | u2 | 无符号整数（0 to 65535） |
| uint32 | u4 | 无符号整数（0 to 4294967295） |
| uint64 | u8 | 无符号整数（0 to 18446744073709551615） |
| float_ | float64 类型的简写 | |
| float16 | f2 | 半精度浮点数，包括：1 个符号位，5 个指数位，10 个尾数位 |
| float32 | f4 / f | 单精度浮点数，包括：1 个符号位，8 个指数位，23 个尾数位 |
| float64 | f8 / d | 双精度浮点数，包括：1 个符号位，11 个指数位，52 个尾数位 |
| complex | complex128 类型的简写，即 128 位复数 | |
| complex64 | c8 | 复数，表示双 32 位浮点数（实数部分和虚数部分） |
| complex128 | c16 | 复数，表示双 64 位浮点数（实数部分和虚数部分） |
| object | O | Python 对象类型 |
| string_ | S | 固定长度字符串，如长度为20的字符串，为S20 |
a = np.array([1.1,2,3,4],dtype = np.float64)
print ('a:',a) # float64 类型
b = np.array([[1,2,3,4],[5,6,7,8]],dtype = 'f4')
print ('b:',b) # float32 类型3.2 数据类型转换
使用astype来改变数组的数据类型
a = np.array([1.1,2.3,3.5,4.7],dtype = np.float64)
b = a.astype(np.int_)
print(b)
# [1 2 3 4] 输出变为了整型3.3 数据类型dtype
数据类型对象（numpy.dtype 类的实例）用来描述与数组对应的内存区域是如何使用；使用方法如下：
numpy.dtype(object, align, copy)
参数说明：
| 名称 | 描述 |
|---|---|
| object | 要转换为的数据类型对象 |
| align | 如果为 true，填充字段使其类似 C 的结构体 |
| copy | 复制 dtype 对象 ，如果为 false，则是对内置数据类型对象的引用 |
举例如下：
student = np.dtype([('name','S10'), ('age', 'i1'), ('marks', 'f4')])
a = np.array([('abc', 21, 50),('xyz', 18, 75)], dtype = student)
print(a)
# [(b'abc', 21, 50.) (b'xyz', 18, 75.)]感谢各位的阅读，以上就是“Numpy对象与类型怎么应用”的内容了，经过本文的学习后，相信大家对Numpy对象与类型怎么应用这一问题有了更深刻的体会，具体使用情况还需要大家实践验证。这里是编程网，小编将为大家推送更多相关知识点的文章，欢迎关注！
