Introduksjon til NumPy Datatyper

En datatype er et attributt assosiert med dataene som definerer typen verdier dataene kan inneholde, typen operasjoner som kan utføres på dem og viktigst av hvor mye minne som kreves av den. Noen av de veldig vanlige datatypene er heltall, ekte, boolsk og røye. I denne artikkelen vil vi gjøre et forsøk på å forstå forskjellige datatyper støttet av Numpy. Numpy er en pytonpakke som brukes til vitenskapelig databehandling. Det er rent skrevet på programmeringsspråket C. Derfor kan vi anta at datatyper i Numpy mer eller mindre er en oppgradering av C-datatyper.

Numpy datatyper

De forskjellige datatypene som støttes av numpy er:

Numpy datatypeNært tilknyttet C-datatypeLagringsstørrelseBeskrivelse
np.bool_bool1 bytekan inneholde boolske verdier, som (sant eller usant) eller (0 eller 1)
np.bytesignert røye1 bytekan inneholde verdier fra 0 til 255
np.ubyteusignert røye1 bytekan inneholde verdier fra -128 til 127
np.shortsignert kort2 bytekan inneholde verdier fra -32, 768 til 32, 767
np.ushortusignert kort2 bytekan inneholde verdier fra 0 til 65, 535
np.uintcusignert int2 eller 4 bytekan inneholde verdier fra 0 til 65.535 eller 0 til 4.294.967.295
np.int_lang8 bytekan inneholde verdier fra -9223372036854775808 til 9223372036854775807
np.uintusignert lenge8 byte0 til 18446744073709551615
np.longlonglenge lenge8 bytekan inneholde verdier fra -9223372036854775808 til 9223372036854775807
np.ulonglongusignert lenge lenge8 byte0 til 18446744073709551615
n.half / np.float16-tillater halv flytepresisjon med
Format: sign bit, 5 bit eksponent, 10 bit mantissa
np.singleflyte4 bytetillater presisjon på enkelt float
Format: sign bit, 8 bit eksponent, 23 bit mantissa
np.doubledobbelt8 bytemuliggjør dobbel flottørpresisjon
Format: sign bit, 11 bit eksponent, 52 bit mantissa.
np.longdoublelang dobbel8 byteutvidelse av flottør
np.csingleflottørkompleks8 bytekan holde kompleks med ekte og imaginære deler opp til
enkeltpresisjonsflyt
np.cdoubledobbeltkompleks16 bytekan holde kompleks med ekte og imaginære deler opp til
dobbeltpresisjonsflyt
np.clongdoublelangt dobbeltkompleks16 byteutvidelse av flottør for komplekst antall
np.int8int8_t1 bytekan inneholde verdier fra -128 til 127
np.int16int16_t2 bytekan inneholde verdier fra -32, 768 til 32, 767
np.int32int32_t4 bytekan inneholde verdier fra -2, 147, 483, 648 til 2, 147, 483, 647
np.int64int64_t8 bytekan inneholde verdier fra -9223372036854775808 til 9223372036854775807
np.uint8uint8_t1 bytekan inneholde verdier fra 0 til 255
np.uint16uint16_t2 bytekan inneholde verdier fra 0 til 65, 535
np.uint32uint32_t4 bytekan inneholde verdier fra 0 til 4 294 967 295
np.uint64uint64_t8 bytekan inneholde verdier fra 0 til 18446744073709551615
np.intpintptr_t4 byteet signert heltall som brukes til indeksering
np.uintpuintptr_t4 byteet usignert heltall som brukes til å holde en peker
np.float32flyte4 byteenkel flytepresisjon
np.float64dobbelt8 bytedobbel flytepresisjon
np.complex64flottørkompleks8 byteenkel flytepresisjon i komplekse tall
np.complex128dobbeltkompleks16 bytedobbel flytepresisjon i komplekse tall

Eksempler på NumPy-datatyper

La oss nå forstå hvordan en bestemt numpy datatype brukes.

Eksempel 1

Opprette et datatypeobjekt

dt = np.dtype(np.int8)

Produksjon:

Eksempel 2

Finne størrelsen på en datatype

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

Produksjon:

Eksempel 3

Opprette et datatypeobjekt ved hjelp av unike symboler for hver datatype

Hver datatype i numpy har en tilknyttet karakterkode som identifiserer den unikt.

dt = np.dtype('i4')

Produksjon:

Eksempel 4

Bruke datatyper for å lage en strukturert matrise

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

Produksjon:

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

Produksjon:

Konklusjon

Numpy datatyper er mer eller mindre som C-datatypene. De kan grovt kategoriseres i en bool, byte, int, flyt, dobbel og kompleks. Det er et must for gode programmerere å forstå hvordan data lagres og manipuleres. Dette kan oppnås ved å forstå datatyper effektivt.

Anbefalte artikler

Dette er en guide til NumPy Datatyper. Her diskuterer vi hvordan en bestemt numpy datatype brukes sammen med eksemplene. Du kan også se på følgende artikler for å lære mer -

  1. Hva er NumPy?
  2. Matplotlib I Python
  3. Python datatyper
  4. Ordbok i Python

Kategori: