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]])