> For the complete documentation index, see [llms.txt](https://johannesliu.gitbook.io/data-science-python-implemented/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://johannesliu.gitbook.io/data-science-python-implemented/7.0-numpy_foundation/7.2-array.md). # 7.2 NumPy数组 ### 7.2.1 NumPy 数值类型 NumPy支持的数值类型比Python多得多。本节展示哪些可用，以及如何修改数组的数据类型。 所支持的基本类型与C语言中的基本类型紧密相连: | **NumPy类型** | **C语言类型** | **描述** | | ------------------------ | ------------------- | ------------------------------------------------------------------------------------------------ | | *np.bool* | bool | Boolean (True or False) stored as a byte | | *np.byte* | signed char | Platform-defined | | *np.ubyte* | unsigned char | Platform-defined | | *np.short* | short | Platform-defined | | *np.ushort* | unsigned short | Platform-defined | | *np.intc* | int | Platform-defined | | *np.uintc* | unsigned int | Platform-defined | | *np.int\_* | long | Platform-defined | | *np.uint* | unsigned long | Platform-defined | | *np.longlong* | long long | Platform-defined | | *np.ulonglong* | unsigned long long | Platform-defined | | *np.half* / *np.float16* | | Half precision float: sign bit, 5 bits exponent, 10 bits mantissa | | *np.single* | float | Platform-defined single precision float: typically sign bit, 8 bits exponent, 23 bits mantissa | | *np.double* | double | Platform-defined double precision float: typically sign bit, 11 bits exponent, 52 bits mantissa. | | *np.longdouble* | long double | Platform-defined extended-precision float | | *np.csingle* | float complex | Complex number, represented by two single-precision floats (real and imaginary components) | | *np.cdouble* | double complex | Complex number, represented by two double-precision floats (real and imaginary components). | | *np.clongdouble* | long double complex | Complex number, represented by two extended-precision floats (real and imaginary components). | 由于其中许多具有平台相关的定义，因此提供了一组固定大小的别名: | **NumPy类型** | **C type** | **Description** | | -------------------------------- | -------------- | -------------------------------------------------------------------------------- | | *np.int8* | int8\_t | Byte (-128 to 127) | | *np.int16* | int16\_t | Integer (-32768 to 32767) | | *np.int32* | int32\_t | Integer (-2147483648 to 2147483647) | | *np.int64* | int64\_t | Integer (-9223372036854775808 to 9223372036854775807) | | *np.uint8* | uint8\_t | Unsigned integer (0 to 255) | | *np.uint16* | uint16\_t | Unsigned integer (0 to 65535) | | *np.uint32* | uint32\_t | Unsigned integer (0 to 4294967295) | | *np.uint64* | uint64\_t | Unsigned integer (0 to 18446744073709551615) | | *np.intp* | intptr\_t | Integer used for indexing, typically the same as ssize\_t | | *np.uintp* | uintptr\_t | Integer large enough to hold a pointer | | *np.float32* | float | | | *np.float64* / *np.float\_* | double | Note that this matches the precision of the builtin python *float*. | | *np.complex64* | float complex | Complex number, represented by two 32-bit floats (real and imaginary components) | | *np.complex128* / *np.complex\_* | double complex | Note that this matches the precision of the builtin python *complex*. | 有5种基本的数值类型表示布尔值(bool)、整数(int)、无符号整数(uint)浮点数(float)和复数。这些数值对象类型中，有5种最基本的数值类型，分别是布尔(bool)、整数(int)、无符号整数(uint)、浮点数(float)和复数。 NumPy中的数据类型名称也是数据类型的构造函数的名称: \[]:x\_1=np.int(1) x\_2=np.float32(\[1.0, 2.17, 3.14]) x\_1, x\_2 \[]:(1, array(\[1. , 2.17, 3.14], dtype=float32)) 可以使用arange函数来创建整数列: \[]:x\_3=np.arange(4, dtype=np.uint8) x\_3 \[]:array(\[0, 1, 2, 3], dtype=uint8) dtype为创建的数值类型。 可以使用. .astype()方法或类型本身作为函数来对数组类型进行转换： \[]:x\_3.astype(float) #将整型数组x\_3转换为浮点数组x3 \[]:array(\[0., 1., 2., 3.]) 要确定数组的类型，可以查看dtype属性: \>>> z.dtype dtype('uint8') NumPy包含几个常量： | NumPy类型 | 描述 | | ----------- | ------------------------------------- | | numpy.Inf | 浮点数(正)无穷大的表示 | | numpy.NINF | 浮点数负无穷大的表示 | | numpy.NAN | 非数字表示 | | numpy.NZERO | 负0的浮点数表示 | | numpy.e | 欧拉常数，e2.71828182 | | numpy.pi | 派，pi = 3.1415926535897932384626433... | NumPy使用IEEE二进制浮点运算标准(IEEE 754)。这意味着没有一个数不等于无穷大。正无穷不等于负无穷。但是无穷大等于正无穷大。 电气电子工程师学会（IEEE）的英文全称是the Institute of Electrical and Electronics Engineers，其前身是成立于1884年的美国电气工程师协会(AIEE)和成立于1912年的无线电工程师协会(IRE)。前者主要致力于有线通讯、光学以及动力系统的研究，而后者则是国际无线电领域不断扩大的产物。20世纪30年代，“电子学”这个词开始进入工程学词典。虽然许多工程师都同时是AIEE和IRE两个协会的会员，但是新入行的电子工程师们还是更倾向于加入无线电工程师协会。两个协会之间激烈的竞争的结果，造就了双方的合作与合并。1963年，AIEE和IRE宣布合并，电气电子工程师学会（IEEE）正式成立了。 作为全球最大的专业技术组织，在电气及电子工程、计算机、通信等领域中，IEEE 发表的技术文献占到了全球同类文献的百分之三十。同时IEEE每年还结集出版电气工程、通讯、计算机理论及方法领域的专业技术期刊，数量达140余册。配合各专业技术领域的学术交流活动，IEEE还提供学报、技术通讯、会议论文集和会刊等约700余种出版物。 如今，随着电子信息和其他相关技术的不断发展和演进，以及会员职业范围的扩大和技术兴趣的不断增长，IEEE也将其关注点不断扩充至其他新兴领域。IEEE将努力帮助其会员跟上并引领新技术发展步伐，制定国际和行业标准，并激励新一代专业技术人员架构并融入全球技术协作团队。更重要的是，随着会员所在地域范围的扩大，IEEE已经日趋全球化，并通过其会员的全球化，在航空航天、生物科技、计算机工程、新能源、地理信息系统、神经网络、无线通信等高科技领域的技术发展上走在了前沿。 ### 7.2.2 ndarray类型 NumPy中核心数据对象类型是ndarray类型，也就是N-维数组对象。可以使用array()函数来创建ndarray对象： \[]: x = np.array(\[\[1, 2, 3], \[4, 5, 6], \[7, 8, 9]]) x \[]:array(\[\[1, 2, 3], \[4, 5, 6], \[7, 8, 9]]) 使用ndarray的shape属性查看数组的形状 \[]:x.shape (3, 3) 若想创建特定数据类型的ndarray对象，可以将对象类型传入构造函数: \[]:x=np.array(\[\[1, 2, 3], \[4, 5, 6], \[7, 8, 9]], np.float) x \[]:array(\[\[1., 2., 3.], \[4., 5., 6.], \[7., 8., 9.]]) 使用type()函数产看x的类型: \[]:type(x) \[]:numpy.ndarray 除了使用array函数来创建，也可以使用更底层的ndarray()构造函数来创建由固定大小的项组成的多维齐次数组。 \[]:np.ndarray(shape=(4, 3), dtype=float) \[]:array(\[\[1.047e-321, 0.000e+000, 0.000e+000], \[0.000e+000, 0.000e+000, 0.000e+000], \[0.000e+000, 0.000e+000, 0.000e+000], \[0.000e+000, 0.000e+000, 0.000e+000]])