NumPy 数据类型说明和实例
数据类型，即 dtype ，也是一个特殊的对象， 它包含了ndarray需要为某一种类型数据所申明的内存块信息（也成为了元数据，即表示数据的数据）dtype是NumPy能够与琪他系统数据灵活交互的原因。通常，其他系统提供一个硬盘或内存与数据的对应关系，使得利用C或Fortran等底层语言读写数据变得十分方便。
numpy 支持的数据类型比 Python内置数据类型要多很多，基本上可以和 C 语言的数据类型对应上，其中部分类型对应为 Python 内置的类型。下表列举了常用 NumPy 基本类型。
| 名称 | 描述 |
| int_ | 默认的整数类型（类似于 C 语言中的 long，int32 或 int64） |
| int8 | 字节（-128 to 127） |
| int16 | 整数（-32768 to 32767） |
| int32 | 整数（-2147483648 to 2147483647） |
| int64 | 整数（-9223372036854775808 to 9223372036854775807） |
| intc | 与 C 的 int 类型一样，一般是 int32 或 int 64 |
| intp | 用于索引的整数类型（类似于 C 的 ssize_t，一般情况下仍然是 int32 或 int64） |
| uint8 | 无符号整数（0 to 255） |
| uint16 | 无符号整数（0 to 65535） |
| uint32 | 无符号整数（0 to 4294967295） |
| uint64 | 无符号整数（0 to 18446744073709551615） |
| float_ | float64 类型的简写 |
| float16 | 半精度浮点数，包括：1 个符号位，5 个指数位，10 个尾数位 |
| float32 | 单精度浮点数，包括：1 个符号位，8 个指数位，23 个尾数位 |
| float64 | 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 | 复数，表示双 32 位浮点数（实数部分和虚数部分） |
| complex128 | 复数，表示双 64 位浮点数（实数部分和虚数部分） |
| bool_ | 布尔型数据类型（True 或者 False） |
记不住这些NumPy的dtype也没关系，新手更是如此。通常只需要知道你所处理的数据的大致类型是浮点数、复数、整数、布尔值、字符串，还是普通的Python对象即可。当你需要控制数据在内存和磁盘中的存储方式时（尤其是对大数据集），那就得了解如何控制存储类型。
numpy 的数值类型实际上是 dtype 对象的实例，并对应唯一的字符，包括 np.bool_，np.int32，np.float32，等等。
数据类型对象是用来描述与数组对应的内存区域如何使用，这依赖如下几个方面：
数据的类型 - 例如，浮点数、复数、整数、布尔值、字符串或者 Python 对象。数据的大小 - 例如，整数使用多少个字节存储。数据的字节顺序 - 小端法或大端法
字节顺序是通过对数据类型预先设定"<"或">"来决定的。"<"意味着小端法(最小值存储在最小的地址，即低位组放在最前面)。">"意味着大端法(最重要的字节存储在最小的地址，即高位组放在最前面)。
dtype 对象是使用以下语法构造的：
numpy.dtype(object, align, copy)
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
接下来我们可以通过实例来理解。
>>> import numpy as np >>> a = np.dtype(np.float32) >>> print(a) float32
# int8, int16, int32, int64 四种数据类型可以使用字符串 'i1', 'i2','i4','i8' 代替
>>> import numpy as np
>>> a = np.dtype('i8')
>>> print(a)
int64下面实例展示结构化数据类型的使用，类型字段和对应的实际类型将被创建。
>>> import numpy as np
>>> a = np.dtype([('number',np.int16)]) # 数据类型应用于 ndarray 对象
>>> print(a)
[('number', '<i2')]
>>> arr = np.array([(1,),(2,),(3,)], dtype = a)
>>> print(arr)
[(1,) (2,) (3,)]
>>> print(arr['number']) # 类型字段名可以用于存取实际的 number 列
[1 2 3]下面的示例定义一个结构化数据类型animal，包含字符串字段 name，整数字段 age，及浮点字段 marks，并将这个 dtype 应用到 ndarray 对象。
>>> import numpy as np
>>> animal = np.dtype([('name','S20'), ('age', 'i1'), ('marks', 'f4')])
>>> print(animal)
[('name', 'S20'), ('age', 'i1'), ('marks', '
<f4')]
>>> a = np.array([('cat', 5, 10),('dog', 4, 35),('lion',8,18)], dtype = animal)
>>> print(a)
[(b'cat', 5, 10.) (b'dog', 4, 35.) (b'lion', 8, 18.)]使用astype方法可以显式的转换数组的数据类型，具体实例如下：
>>> import numpy as np
>>> arr = np.array([1,2,3,4,5])
>>> print(arr.dtype)
int64
>>> print(arr)
[1 2 3 4 5]
>>> float_arr = arr.astype('float32') # 也以写作 arr.astype(np.float32)
>>> print(float_arr.dtype)
float32
>>> print(float_arr)
[1. 2. 3. 4. 5.]还可以用其他数组的dtype来转换数据类型，具体实例如下：
>>> import numpy as np >>> int_arr = np.arange(10) >>> calibers = np.array([.22, .270, .357], dtype=np.float64) >>> print(calibers) [0.22 0.27 0.357] >>> arr_last = int_arr.astype(calibers.dtype) >>> print(arr_last.dtype) float64 >>> print(arr_last) [0. 1. 2. 3. 4. 5. 6. 7. 8. 9.]
每个内建类型都有一个唯一定义它的字符代码，如下：
| 字符 | 对应类型 |
| b | 布尔型 |
| i | (有符号) 整型 |
| u | 无符号整型 integer |
| f | 浮点型 |
| c | 复数浮点型 |
| m | timedelta（时间间隔） |
| M | datetime（日期时间） |
| O | (Python) 对象 |
| S, a | (byte-)字符串 |
| U | Unicode |
| V | 原始数据 (void) |