Tipi di dati NumPy - Scopri vari tipi di dati Numpy - Esempi

Sommario:

Anonim

Introduzione ai tipi di dati NumPy

Un tipo di dati è un attributo associato ai dati che definisce il tipo di valori che i dati possono contenere, il tipo di operazioni che possono essere eseguite su di esso e, soprattutto, la quantità di spazio di memoria richiesto da esso. Alcuni dei tipi di dati molto comuni sono integer, real, boolean e char. In questo articolo, faremo un tentativo di comprendere vari tipi di dati supportati da Numpy. Numpy è un pacchetto Python utilizzato per il calcolo scientifico. È puramente scritto nel linguaggio di programmazione C. Quindi, possiamo presumere che i tipi di dati in Numpy siano più o meno un aggiornamento dei tipi di dati C.

Tipi di dati Numpy

I vari tipi di dati supportati da numpy sono:

Tipo di dati NumpyTipo di dati C strettamente associatoDimensione di archiviazioneDescrizione
np.bool_bool1 bytepuò contenere valori booleani, come (Vero o Falso) o (0 o 1)
np.bytechar firmato1 bytepuò contenere valori compresi tra 0 e 255
np.ubytecarattere non firmato1 bytepuò contenere valori compresi tra -128 e 127
np.shortcorto firmato2 bytepuò contenere valori compresi tra -32.768 e 32.767
np.ushortcorto firmato2 bytepuò contenere valori compresi tra 0 e 65.535
np.uintcint2 o 4 bytepuò contenere valori compresi tra 0 e 65.535 o tra 0 e 4.294.967.295
np.int_lungo8 bytepuò contenere valori compresi tra -9223372036854775808 e 9223372036854775807
np.uintnon firmato a lungo8 byteDa 0 a 18446744073709551615
np.longlonglungo lungo8 bytepuò contenere valori compresi tra -9223372036854775808 e 9223372036854775807
np.ulonglongunsigned long long8 byteDa 0 a 18446744073709551615
np.half / np.float16-consente la precisione del mezzo galleggiante con
Formato: bit di segno, esponente di 5 bit, mantissa di 10 bit
np.singlegalleggiante4 byteconsente precisione a galleggiante singolo
Formato: bit di segno, esponente di 8 bit, mantissa di 23 bit
np.doubleDoppio8 byteconsente una precisione a doppio galleggiante
Formato: bit di segno, esponente di 11 bit, mantissa di 52 bit.
np.longdoubledoppio lungo8 byteestensione del galleggiante
np.csinglecomplesso galleggiante8 bytepuò contenere complessi con parti reali e immaginarie fino a
galleggiante a precisione singola
np.cdoubledoppio complesso16 bytepuò contenere complessi con parti reali e immaginarie fino a
galleggiante a doppia precisione
np.clongdoublelungo doppio complesso16 byteestensione del float per numero complesso
np.int8int8_t1 bytepuò contenere valori compresi tra -128 e 127
np.int16int16_t2 bytepuò contenere valori compresi tra -32.768 e 32.767
np.int32int32_t4 bytepuò contenere valori compresi tra -2.147.483.648 e 2.147.483.647
np.int64int64_t8 bytepuò contenere valori compresi tra -9223372036854775808 e 9223372036854775807
np.uint8uint8_t1 bytepuò contenere valori compresi tra 0 e 255
np.uint16uint16_t2 bytepuò contenere valori compresi tra 0 e 65.535
np.uint32uint32_t4 bytepuò contenere valori compresi tra 0 e 4.294.967.295
np.uint64uint64_t8 bytepuò contenere valori compresi tra 0 e 18446744073709551615
np.intpintptr_t4 byteun numero intero con segno utilizzato per l'indicizzazione
np.uintpuintptr_t4 byteun numero intero senza segno utilizzato per contenere un puntatore
np.float32galleggiante4 byteprecisione a galleggiante singolo
np.float64Doppio8 byteprecisione a doppio galleggiante
np.complex64complesso galleggiante8 byteprecisione a galleggiante singolo in numeri complessi
np.complex128doppio complesso16 byteprecisione a doppio galleggiante in numeri complessi

Esempi di tipi di dati NumPy

Ora, capiamo come viene utilizzato un particolare tipo di dati intorpidito.

Esempio 1

Creazione di un oggetto tipo di dati

dt = np.dtype(np.int8)

Produzione:

Esempio n. 2

Trovare la dimensione di un tipo di dati

dt = np.dtype(np.int8)
name = dt.name
sizeoftype = dt.itemsize
print('name:', name, 'size:', sizeoftype)

Produzione:

Esempio n. 3

Creazione di un oggetto tipo di dati utilizzando simboli univoci per ciascun tipo di dati

Ogni tipo di dati in numpy ha un codice carattere associato che lo identifica in modo univoco.

dt = np.dtype('i4')

Produzione:

Esempio n. 4

Utilizzo dei tipi di dati per creare un array strutturato

employee_info = np.dtype((('name', 'S10'), ('age', 'i1'), ('salary', 'f4'), ('rating', 'f4')))
print(employee_info)

Produzione:

a = np.array((('Karthik', 31, 20000, 3.84), ('Rita', 25, 25123.34, 4.41)), dtype = employee_info)
print (a)

Produzione:

Conclusione

I tipi di dati Numpy sono più o meno simili ai tipi di dati C. Possono essere approssimativamente classificati in bool, byte, int, float, double e complex. È indispensabile per i bravi programmatori capire come vengono archiviati e manipolati i dati. Ciò può essere ottenuto attraverso una comprensione efficace dei tipi di dati.

Articoli consigliati

Questa è una guida ai tipi di dati NumPy. Qui discutiamo di come viene usato un particolare tipo di dati intorpidito insieme agli esempi Puoi anche dare un'occhiata ai seguenti articoli per saperne di più -

  1. Che cos'è NumPy?
  2. Matplotlib In Python
  3. Tipi di dati Python
  4. Dizionario in Python