NumPy-tietotyypit - Opi erilaisia ​​numpy-tietotyyppejä esimerkit

Johdanto NumPy-tietotyyppeihin

Tietotyyppi on dataan liittyvä attribuutti, joka määrittelee minkä tyyppisiä arvoja tiedot voivat pitää, millaisia ​​toimintoja sillä voidaan suorittaa ja mikä tärkeintä, sen vaatiman muistitilan määrä. Jotkut hyvin yleisistä tietotyypeistä ovat kokonaisluku, todellinen, looginen ja char. Tässä artikkelissa yritetään ymmärtää erilaisia ​​tietotyyppejä, joita Numpy tukee. Numpy on python-paketti, jota käytetään tieteelliseen laskentaan. Se on kirjoitettu puhtaasti C-ohjelmointikielellä. Voimme siis olettaa, että Numpyn tietotyypit ovat enemmän tai vähemmän C-tietotyyppien päivityksiä.

Numpy tietotyypit

Eri tietotyypit, joita numpy tukee, ovat:

Numpy tietotyyppi	Läheisesti C-tietotyyppi	Varastointikoko	Kuvaus
np.bool_	bool	1 tavu	voi pitää loogisia arvoja, kuten (totta tai vääriä) tai (0 tai 1)
np.byte	allekirjoitettu char	1 tavu	voi pitää arvoja välillä 0 - 255
np.ubyte	allekirjoittamaton char	1 tavu	voi pitää arvoja välillä -128 - 127
np.short	allekirjoitettu lyhyt	2 tavua	voi pitää arvoja välillä -32 768 - 32 767
np.ushort	allekirjoittamaton lyhyt	2 tavua	voi pitää arvoja välillä 0 - 65 535
np.uintc	allekirjoittamaton int	2 tai 4 tavua	voi pitää arvoja välillä 0 - 65 535 tai 0 - 4 294 967 295
np.int_	pitkä	8 tavua	voi pitää arvoja -9223372036854775808 - 9223372036854775807
np.uint	allekirjoittamaton pitkä	8 tavua	0 - 18446744073709551615
np.longlong	pitkä pitkä	8 tavua	voi pitää arvoja -9223372036854775808 - 9223372036854775807
np.ulonglong	allekirjoittamaton pitkä pitkä	8 tavua	0 - 18446744073709551615
np. half / np.float16	-		sallii puoliarvon tarkkuuden Muoto: merkkibitti, 5 bitin eksponentti, 10 bitin mantissa
np.single	kellua	4 tavua	mahdollistaa yhden kelluvuuden tarkkuuden Muoto: merkkibitti, 8 bitin eksponentti, 23 bitin mantissa
np.double	kaksinkertainen	8 tavua	mahdollistaa kaksinkertaisen kelluvuuden tarkkuuden Muoto: merkkibitti, 11 bitin eksponentti, 52 bitin mantissa.
np.longdouble	pitkä kaksinkertainen	8 tavua	kelluksen jatkaminen
np.csingle	kelluva kompleksi	8 tavua	pystyy pitämään kompleksina todellisten ja kuvitteellisten osien kanssa yhden tarkkuuden kellua
np.cdouble	kaksinkertainen kompleksi	16 tavua	pystyy pitämään monimutkaisina todellisten ja kuvitteellisten osien kanssa kaksinkertainen tarkkuus kellua
np.clongdouble	pitkä kaksinkertainen kompleksi	16 tavua	kelluksen laajennus monimutkaiselle numerolle
np.int8	int8_t	1 tavu	voi pitää arvoja välillä -128 - 127
np.int16	int16_t	2 tavua	voi pitää arvoja välillä -32 768 - 32 767
np.int32	int32_t	4 tavua	voi pitää arvoja välillä 2 147 483 648 - 2 147 483 647
np.int64	int64_t	8 tavua	voi pitää arvoja -9223372036854775808 - 9223372036854775807
np.uint8	uint8_t	1 tavu	voi pitää arvoja välillä 0 - 255
np.uint16	uint16_t	2 tavua	voi pitää arvoja välillä 0 - 65 535
np.uint32	uint32_t	4 tavua	voi pitää arvoja välillä 0 - 4 294 967 295
np.uint64	uint64_t	8 tavua	voi pitää arvoja välillä 0 - 18446744073709551615
np.intp	intptr_t	4 tavua	indeksointiin käytetty allekirjoitettu kokonaisluku
np.uintp	uintptr_t	4 tavua	allekirjoittamaton kokonaisluku, jota käytetään osoittimen pitämiseen
np.float32	kellua	4 tavua	yhden kelluvuuden tarkkuus
np.float64	kaksinkertainen	8 tavua	kaksinkertainen kelluvuus tarkkuus
np.complex64	kelluva kompleksi	8 tavua	yhden kelluvuuden tarkkuus monimutkaisina lukuina
np.complex128	kaksinkertainen kompleksi	16 tavua	kaksinkertainen kelluvuuden tarkkuus monimutkaisina lukuina

Esimerkkejä NumPy-tietotyypeistä

Ymmärretään nyt, kuinka tiettyä numpy-tietotyyppiä käytetään.

Esimerkki # 1

Tietotyyppiobjektin luominen

dt = np.dtype(np.int8)

lähtö:

Esimerkki 2

Tietotyypin koon löytäminen

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

lähtö:

Esimerkki 3

Tietotyyppiobjektin luominen yksilöivillä symboleilla jokaiselle tietotyypille

Jokaisella numpy-tietotyypillä on liittyvä merkkikoodi, joka tunnistaa sen yksilöllisesti.

dt = np.dtype('i4')

lähtö:

Esimerkki 4

Tietotyyppien käyttö jäsennellyn taulukon luomiseen

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

lähtö:

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

lähtö:

johtopäätös

Numpy-tietotyypit ovat enemmän tai vähemmän kuin C-tietotyypit. Ne voidaan luokitella karkeasti booliin, tavuun, int, float-, double- ja monimutkaisiin. Hyvien ohjelmoijien on ymmärrettävä, kuinka tietoja tallennetaan ja manipuloidaan. Tämä voidaan saavuttaa ymmärtämällä tietotyypit tehokkaasti.

Suositellut artikkelit

Tämä on opas NumPy-tietotyyppeihin. Tässä keskustellaan siitä, kuinka tiettyä numpy-tietotyyppiä käytetään yhdessä esimerkkien kanssa. Saatat myös katsoa seuraavia artikkeleita saadaksesi lisätietoja -

1. Mikä on NumPy?
2. Matplotlib Pythonissa
3. Python-tietotyypit
4. Sanakirja Pythonissa