标签：dtype 数据类型 学习 数组 print array NumPy
NumPy 是 Numerical Python 的缩写，它是一个由多维数组对象（ndarray）和处理这些数组的函数（function）集合组成的库。
使用 NumPy 库，可以对数组执行数学运算和相关逻辑运算。
NumPy 不仅作为 Python 的扩展包，它同样也是 Python 科学计算的基础包。
NumPy使用需求
随着数据科学（Data Science，简称 DS，包括大数据分析与处理、大数据存储、数据抓取等分支）的蓬勃发展，
像 NumPy、SciPy（Python科学计算库）、Pandas（基于NumPy的数据处理库）等数据分析库都有了大量的增长，它们都具有较简单的语法格式。
在矩阵乘法与数组形状处理上，NumPy 有着非常不错的性能，再加上 NumPy 的计算速度很快，这些都是 NumPy 成为一款数据分析工具的重要原因。
数组形状可以理解为数组的维度，比如一维数组、二维数组、三维数组等；以二维数组为例，改变数组形状就是交换数组的行和列，也即将数组旋转 90 度。
NumPy 可以很便捷高效地处理大量数据，那么使用 NumPy 做数据处理有哪些优点呢？总结如下：
NumPy 是 Python 科学计算基础库；
NumPy 可以对数组进行高效的数学运算；
NumPy 的 ndarray 对象可以用来构建多维数组；
NumPy 能够执行傅立叶变换与重塑多维数组形状；
NumPy 提供了线性代数，以及随机数生成的内置函数。
NumPy应用场景
NumPy 通常与 SciPy（Python科学计算库）和 Matplotlib（Python绘图库）等软件包组合使用，这种组合方式被用来广泛地代替 MatLab 的使用。
MatLab 是一款强大的数学计算软件，广泛应用在数据分析、电子通信、深度学习、图像处理、机器视觉、量化金融等领域，
但近些年随着 Python 语言的迅猛发展，Python 被看作是一种更适合代替 MatLab 的编程语言。
numpy_test1.py ：
import numpy
import numpy as np
'''
0, NumPy下载与安装
pip install numpy
'''
'''
1, NumPy ndarray对象
NumPy 定义了一个 n 维数组对象，简称 ndarray 对象，它是一个一系列相同类型元素组成的数组集合。
数组中的每个元素都占有大小相同的内存块，您可以使用索引或切片的方式获取数组中的每个元素。
ndarray 对象有一个 dtype 属性，该属性用来描述元素的数据类型 。
ndarray 对象采用了数组的索引机制，将数组中的每个元素映射到内存块上，并且按照一定的布局对内存块进行排列，
常用的布局方式有两种，即按行或者按列。
'''
'''
1) 创建ndarray对象
通过 NumPy 的内置函数 array() 可以创建 ndarray 对象，其语法格式如下：
numpy.array(object, dtype = None, copy = True, order = None,ndmin = 0)
下面表格对其参数做了说明：
参数说明
序号 参数 描述说明
1 object 表示一个数组序列。
2 dtype 可选参数，通过它可以更改数组的数据类型。
3 copy 可选参数，表示数组能否被复制，默认是 True。
4 order 以哪种内存布局创建数组，有 3 个可选值，分别是 C(行序列)/F(列序列)/A(默认)。
5 ndmin 用于指定数组的维度。
'''
print("----创建ndarray对象----")
# 使用列表构建一维数组
a1 = numpy.array([1, 2, 3, 4, 5, 6])
print(a1)
# [1 2 3 4 5 6]
print(type(a1))
# <class 'numpy.ndarray'> ndarray数组类型
# 创建多维数组
b1 = numpy.array([[1, 2, 3, 4], [5, 6, 7, 8]])
print(b1)
'''
[[1 2 3 4]
[5 6 7 8]]
'''
# 如果要改变数组元素的数据类型，可以使用通过设置 dtype
c1 = numpy.array([1, 3, 4, 7], dtype="float32")
print(c1)
# [1. 3. 4. 7.]
'''
2) ndim 查看数组维数
'''
print("----ndim 查看数组维数----")
arr1 = numpy.array([[1, 2, 3, 4], [9, 10, 11, 13]])
print(arr1.ndim)
# 也可以使用 ndmin 参数创建不同维度的数组
arr2 = numpy.array([1, 2, 3, 4], ndmin=2)
print(arr2)
'''
3) reshape数组变维
数组的形状指的是多维数组的行数和列数。Numpy 模块提供 reshape(i, j) 函数可以改变多维数组行数i和列数j，
从而达到数组变维的目的。因此数组变维即对数组形状的重塑。
2 × 3 --reshape函数数组变维-> 3 × 2
-- numpy 一般取别名 np
import numpy as np
'''
print("----reshape数组变维----")
e1 = np.array([[1, 3], [2, 4], [3, 6]]) # 3行2列
print("原数组", e1)
#变维 2行3列，并不是矩阵的转置方式变维，而是下面最近的数据往上移动变维.
e2 = e1.reshape(2, 3)
print("新数组", e2)
'''
原数组 [[1 3]
[2 4]
[3 6]]
新数组 [[1 3 2]
[4 3 6]]
'''
e3 = np.array([[1, 3, 4, 5], [2, 4, 6, 7], [3, 6, 9, 8]]) # 3行4列
print("原数组", e3)
#变维 4行3列，并不是矩阵的转置方式变维，而是上面最后的数据往下移动变维.
e4 = e3.reshape(4, 3)
print("新数组", e4)
'''
原数组 [[1 3 4 5]
[2 4 6 7]
[3 6 9 8]]
新数组 [[1 3 4]
[5 2 4]
[6 7 3]
[6 9 8]]
'''
'''
2, NumPy数据类型
NumPy 作为 Python 的扩展包，它提供了比 Python 更加丰富的数据类型，如下所示：
NumPy数据类型
序号 数据类型 语言描述
1 bool_ 布尔型数据类型（True 或者 False）
2 int_ 默认整数类型，类似于 C 语言中的 long，取值为 int32 或 int64
3 intc 和 C 语言的 int 类型一样，一般是 int32 或 int 64
4 intp 用于索引的整数类型（类似于 C 的 ssize_t，通常为 int32 或 int64）
5 int8 代表与1字节相同的8位整数。值的范围是-128到127。
6 int16 代表 2 字节（16位）的整数。范围是-32768至32767。
7 int32 代表 4 字节（32位）整数。范围是-2147483648至2147483647。
8 int64 表示 8 字节（64位）整数。范围是-9223372036854775808至9223372036854775807。
9 uint8 代表1字节（8位）无符号整数。
10 uint16 2 字节（16位）无符号整数。
11 uint32 4 字节（32位）的无符号整数。
12 uint64 8 字节（64位）的无符号整数。
13 float_ float64 类型的简写。
14 float16 半精度浮点数，包括：1 个符号位，5 个指数位，10个尾数位。
15 float32 单精度浮点数，包括：1 个符号位，8 个指数位，23个尾数位。
16 float64 双精度浮点数，包括：1 个符号位，11 个指数位，52个尾数位。
17 complex_ 复数类型，与 complex128 类型相同。
18 complex64 表示实部和虚部共享 32 位的复数。
19 complex128 表示实部和虚部共享 64 位的复数。
20 str_ 表示字符串类型
21 string_ 表示字节串类型
1) 数据类型对象
数据类型对象（Data Type Object）又称 dtype 对象，主要用来描述数组元素的数据类型、大小以及字节顺序。
同时，它也可以用来创建结构化数据。比如常见的 int32、float32、uint8 都是 dtype 对象的实例，其语法格式如下：
np.dtype(object)
'''
print("----数据类型对象----")
a1 = np.dtype(np.int32)
print(a1)
'''
2) 数据类型标识码
NumPy 中每种数据类型都有一个唯一标识的字符码，如下所示：
数据类型标识码
字符 对应类型
b 代表布尔型
i 带符号整型
u 无符号整型
f 浮点型
c 复数浮点型
m 时间间隔（timedelta）
M datatime（日期时间）
O Python对象
S,a 字节串（S）与字符串（a）
U Unicode
V 原始数据（void）
'''
print("----数据类型标识码----")
# 使用数据类型标识码，创建一组结构化数据：
# 定义字段名 nums，以及数组数据类型i1
import numpy as np
dt = np.dtype([('nums','i1')])
print(dt)
a1 = np.array([(55,),(75,),(85,)], dtype = dt)
print(a1)
print(a1.dtype)
print(a1['nums'])
'''
3) 定义结构化数据
通常情况下，结构化数据使用字段的形式来描述某个对象的特征。
以下示例描述一位学生的姓名、年龄、分数的特征，该结构化数据其包含以下字段：
str 字段：name
int 字段：age
float 字段：score
'''
print("----定义结构化数据----")
student_dtype = np.dtype([('name','S20'), ('age', 'i1'), ('score', 'f2')])
#输出结构化数据 student
print(student_dtype)
#将其应用于ndarray对象
stu_array = np.array([('zhangsan', 16, 79.50),('lisi', 18, 86.80)], dtype = student_dtype)
print(stu_array)
'''
[('name', 'S20'), ('age', 'i1'), ('score', '<f2')]
[(b'zhangsan', 16, 79.5) (b'lisi', 18, 86.8)]
'''
'''
3, NumPy数组属性
Numpy 数组的常用属性
1) ndarray.shape
shape 属性的返回值一个由数组维度构成的元组，比如 3 行 2 列的二维数组可以表示为(3,2)，
该属性可以用来调整数组维度的大小。
'''
print("----NumPy数组常用属性----")
print("----ndarray.shape,属性的返回值一个由数组维度构成的元组----")
a1 = np.array([[1, 3], [2, 4], [3, 6]])
print("数组维度构成的元组:", a1.shape)
print("原数组:", a1)
# 通过 shape 属性修改数组的形状大小：功能类似 np.reshape(i,j)变维
a1.shape = (2,3)
print("新数组:", a1)
'''
数组维度构成的元组: (3, 2)
原数组: [[1 3]
[2 4]
[3 6]]
新数组: [[1 3 2]
[4 3 6]]
'''
'''
2) ndarray.ndim
该属性返回的是数组的维数
'''
print("----ndarray.ndim,该属性返回的是数组的维数----")
#随机生成一个一维数组
c1 = np.arange(18)
print("一维数组:",c1)
print("一维数组维数:",c1.ndim)
#对数组进行变维操作
e1 = c1.reshape(2,3,3)
print("变维数组后:",e1)
print("变维数组后维数:",e1.ndim)
'''
一维数组: [ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17]
一维数组维数: 1
变维数组后: [[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]]
[[ 9 10 11]
[12 13 14]
[15 16 17]]]
变维数组后维数: 3
'''
'''
3) ndarray.itemsize
返回数组中每个元素的大小（以字节为单位）
'''
#数据类型为int8，代表1字节
x1 = np.array([1, 3, 5], dtype = np.int8)
print("ndarray.itemsize 每个元素的大小（以字节为单位）:",x1.itemsize)
'''
4) ndarray.flags
返回 ndarray 数组的内存信息，比如 ndarray 数组的存储方式，以及是否是其他数组的副本等
'''
print("ndarray.flags 内存信息 :",x1.flags)
'''
ndarray.flags 内存信息 : C_CONTIGUOUS : True
F_CONTIGUOUS : True
OWNDATA : True
WRITEABLE : True
ALIGNED : True
WRITEBACKIFCOPY : False
UPDATEIFCOPY : False
'''
标签：dtype,
数据类型,
学习,
数组,
print,
array,
NumPy
From： https://www.cnblogs.com/xh2023/p/17426245.html