Einführung in NumPy-Datentypen
Ein Datentyp ist ein den Daten zugeordnetes Attribut, das die Art der Werte definiert, die die Daten enthalten können, die Art der Operationen, die für sie ausgeführt werden können, und vor allem die Menge des von ihnen benötigten Speicherplatzes. Einige der gebräuchlichsten Datentypen sind Integer, Real, Boolean und Char. In diesem Artikel werden wir versuchen, verschiedene von Numpy unterstützte Datentypen zu verstehen. Numpy ist ein Python-Paket für das wissenschaftliche Rechnen. Es ist rein in der Programmiersprache C geschrieben. Daher können wir davon ausgehen, dass Datentypen in Numpy mehr oder weniger ein Upgrade von C-Datentypen sind.
Numpy Datentypen
Die verschiedenen von numpy unterstützten Datentypen sind:
| Numpy Datentyp | Eng verbundener C-Datentyp | Speichergröße | Beschreibung |
| np.bool_ | Scheiße | 1 Byte | kann boolesche Werte enthalten, wie (True oder False) oder (0 oder 1) |
| np.byte | unterzeichnet char | 1 Byte | Kann Werte von 0 bis 255 enthalten |
| np.ubyte | nicht signiertes Zeichen | 1 Byte | Kann Werte von -128 bis 127 enthalten |
| np.short | kurz unterschrieben | 2 Bytes | Kann Werte von -32.768 bis 32.767 enthalten |
| np.ushort | kurz ohne Vorzeichen | 2 Bytes | Kann Werte von 0 bis 65.535 enthalten |
| np.uintc | unsigned int | 2 oder 4 Bytes | Kann Werte von 0 bis 65.535 oder 0 bis 4.294.967.295 enthalten |
| np.int_ | lange | 8 Bytes | Kann Werte von -9223372036854775808 bis 9223372036854775807 enthalten |
| np.uint | lange ohne Vorzeichen | 8 Bytes | 0 bis 18446744073709551615 |
| np.longlong | lang Lang | 8 Bytes | Kann Werte von -9223372036854775808 bis 9223372036854775807 enthalten |
| np.ulonglong | lange lange unsigniert | 8 Bytes | 0 bis 18446744073709551615 |
| np.half / np.float16 | - | Ermöglicht eine Halbschwimmergenauigkeit mit Format: Vorzeichenbit, 5-Bit-Exponent, 10-Bit-Mantisse |
|
| np.single | schweben | 4 Bytes | Ermöglicht die Präzision einzelner Schwimmer Format: Vorzeichenbit, 8-Bit-Exponent, 23-Bit-Mantisse |
| np.double | doppelt | 8 Bytes | ermöglicht doppelte Schwimmergenauigkeit Format: Vorzeichenbit, 11-Bit-Exponent, 52-Bit-Mantisse. |
| np.longdouble | langes doppeltes | 8 Bytes | Verlängerung des Schwimmers |
| np.csingle | Schwimmerkomplex | 8 Bytes | Komplex mit Real- und Imaginärteilen bis zu halten Schwimmer mit einfacher Präzision |
| np.cdouble | Doppelkomplex | 16 Bytes | Komplex mit Real- und Imaginärteilen bis zu halten Schwimmer mit doppelter Präzision |
| np.clongdouble | langer doppelter Komplex | 16 Bytes | Floaterweiterung für komplexe Zahl |
| np.int8 | int8_t | 1 Byte | Kann Werte von -128 bis 127 enthalten |
| np.int16 | int16_t | 2 Bytes | Kann Werte von -32.768 bis 32.767 enthalten |
| np.int32 | int32_t | 4 Bytes | Kann Werte von -2.147.483.648 bis 2.147.483.647 enthalten |
| np.int64 | int64_t | 8 Bytes | Kann Werte von -9223372036854775808 bis 9223372036854775807 enthalten |
| np.uint8 | uint8_t | 1 Byte | Kann Werte von 0 bis 255 enthalten |
| np.uint16 | uint16_t | 2 Bytes | Kann Werte von 0 bis 65.535 enthalten |
| np.uint32 | uint32_t | 4 Bytes | Kann Werte von 0 bis 4.294.967.295 enthalten |
| np.uint64 | uint64_t | 8 Bytes | Kann Werte von 0 bis 18446744073709551615 enthalten |
| np.intp | intptr_t | 4 Bytes | Eine Ganzzahl mit Vorzeichen, die für die Indizierung verwendet wird |
| np.uintp | uintptr_t | 4 Bytes | Eine vorzeichenlose Ganzzahl, die zum Halten eines Zeigers verwendet wird |
| np.float32 | schweben | 4 Bytes | Präzision mit einem Schwimmer |
| np.float64 | doppelt | 8 Bytes | doppelte Schwimmergenauigkeit |
| np.complex64 | Schwimmerkomplex | 8 Bytes | single float präzision in komplexen zahlen |
| np.complex128 | Doppelkomplex | 16 Bytes | Double Float-Präzision in komplexen Zahlen |
Beispiele für NumPy-Datentypen
Lassen Sie uns nun verstehen, wie ein bestimmter numpy-Datentyp verwendet wird.
Beispiel 1
Erstellen eines Datentypobjekts
dt = np.dtype(np.int8)
Ausgabe:
Beispiel # 2
Ermitteln der Größe eines Datentyps
dt = np.dtype(np.int8)
name = dt.name
sizeoftype = dt.itemsize
print('name:', name, 'size:', sizeoftype)
Ausgabe:
Beispiel # 3
Erstellen eines Datentypobjekts unter Verwendung eindeutiger Symbole für jeden Datentyp
Jedem Datentyp in numpy ist ein Zeichencode zugeordnet, der ihn eindeutig identifiziert.
dt = np.dtype('i4')
Ausgabe:
Beispiel # 4
Verwenden von Datentypen zum Erstellen eines strukturierten Arrays
employee_info = np.dtype((('name', 'S10'), ('age', 'i1'), ('salary', 'f4'), ('rating', 'f4')))
print(employee_info)
Ausgabe:
a = np.array((('Karthik', 31, 20000, 3.84), ('Rita', 25, 25123.34, 4.41)), dtype = employee_info)
print (a)
Ausgabe:
Fazit
Numpy-Datentypen ähneln in etwa den C-Datentypen. Sie können grob in Bool, Byte, Int, Float, Double und Complex eingeteilt werden. Gute Programmierer müssen verstehen, wie Daten gespeichert und bearbeitet werden. Dies kann durch ein effektives Verständnis der Datentypen erreicht werden.
Empfohlene Artikel
Dies ist eine Anleitung zu NumPy-Datentypen. Hier diskutieren wir, wie ein bestimmter numpy-Datentyp zusammen mit den Beispielen verwendet wird. Sie können sich auch die folgenden Artikel ansehen, um mehr zu erfahren -
- Was ist NumPy?
- Matplotlib In Python
- Python-Datentypen
- Wörterbuch in Python