Einführung in Python-Datentypen – Numpy

WBOY
Freigeben: 2022-07-19 20:24:09
nach vorne
2901 Leute haben es durchsucht

Dieser Artikel vermittelt Ihnen relevantes Wissen über Python, in dem hauptsächlich Probleme im Zusammenhang mit Numpy-Datentypen organisiert werden, einschließlich der grundlegenden Datentypen von Numpy, der benutzerdefinierten zusammengesetzten Datentypen von Numpy, der Verwendung von ndarray zum Speichern von Datumsdatentypen usw. Schauen wir uns das an Ich hoffe, dass der Inhalt unten für alle hilfreich sein wird.

Einführung in Python-Datentypen – Numpy

【Verwandte Empfehlung: Python3-Video-Tutorial


1. Grundlegende Datentypen von Numpy

Typname Typindikator
Boolean bool
Integer-Typ mit Vorzeichen int8/int16/int32/int64
Integer-Typ ohne Vorzeichen uint8/uint16/uint32/uint64
Gleitkomma-Typ float 16/float32/ float64
Plural Typ complex64 / complex128
Zeichentyp str, jedes Zeichen wird durch 32-Bit-Unicode-Codierung dargestellt
import numpy as np

arr = np.array([1, 2, 3])
print(arr, arr.dtype)

arr = arr.astype('int64')
print(arr, arr.dtype)

arr = arr.astype('float32')
print(arr, arr.dtype)

arr = arr.astype('bool')
print(arr, arr.dtype)

arr = arr.astype('str')
print(arr, arr.dtype)
Nach dem Login kopieren

Einführung in Python-Datentypen – Numpy

2. Numpy benutzerdefinierter zusammengesetzter Datentyp

Wenn Sie möchten Um Objekttypen in ndarray zu speichern, empfiehlt Numpy die Verwendung von Tupeln zum Speichern von Attributfeldwerten von Objekten. Das anschließende Hinzufügen von Tupeln zu ndarray bietet eine Syntax, um die Verarbeitung dieser Daten zu erleichtern.

import numpy as np

data = [
    ('zs', [99, 98, 90], 17),
    ('ls', [95, 95, 92], 16),
    ('ww', [97, 92, 91], 18)
]
# 姓名 2 个字符
# 3 个 int32 类型的成绩
# 1 个 int32 类型的年龄
arr = np.array(data, dtype='2str, 3int32, int32')
print(arr)
print(arr.dtype)
# 可以通过索引访问
print(arr[0], arr[0][2])
Nach dem Login kopieren

Einführung in Python-Datentypen – Numpy

Wenn die Datenmenge groß ist, ist die obige Methode für den Datenzugriff nicht geeignet.

ndarray stellt Datentypen und Spaltenaliase bereit, die in Form von
Wörterbüchern oder Listen

definiert werden können. Beim Zugriff auf Daten können Sie über tiefgestellte Indizes oder Spaltennamen darauf zugreifen.

import numpy as np

data = [
    ('zs', [99, 98, 90], 17),
    ('ls', [95, 95, 92], 16),
    ('ww', [97, 92, 91], 18)]# 采用字典定义列名和元素的数据类型arr = np.array(data, dtype={
    # 设置每列的别名
    'names': ['name', 'scores', 'age'],
    # 设置每列数据元素的数据类型
    'formats': ['2str', '3int32', 'int32']})print(arr, arr[0]['age'])# 采用列表定义列名和元素的数据类型arr = np.array(data, dtype=[
    # 第一列
    ('name', 'str', 2),
    # 第二列
    ('scores', 'int32', 3),
    # 第三列
    ('age', 'int32', 1)])print(arr, arr[1]['scores'])# 直接访问数组的一列print(arr['scores'])
Nach dem Login kopieren

Einführung in Python-Datentypen – Numpy

3. Verwenden Sie ndarray, um den Datumsdatentyp
import numpy as np

dates = [
    '2011',
    '2011-02',
    '2011-02-03',
    '2011-04-01 10:10:10'
]

ndates = np.array(dates)
print(ndates, ndates.dtype)

# 数据类型为日期类型,采用 64 位二进制进行存储,D 表示日期精确到天
ndates = ndates.astype('datetime64[D]')
print(ndates, ndates.dtype)

# 日期运算
print(ndates[-1] - ndates[0])
Nach dem Login kopieren

1 zu speichern. Die Unterstützung für Datumszeichenfolgen unterstützt 2011/11/11 nicht, verwenden Sie Leerzeichen getrennt Das Datum unterstützt 2011 11 11 nicht, unterstützt jedoch 2011-11-11Einführung in Python-Datentypen – Numpy 2. Zwischen Datum und Uhrzeit muss ein Leerzeichen stehen, um zu trennen 2011-04-01 10 :10:10

3. Zeitschreibformat 10:10:10

4. Geben Sie den Zeichencode ein (Datentypabkürzung)2011/11/11,使用空格进行分隔日期也不支持 2011 11 11,支持 2011-11-11
2.日期与时间之间需要有空格进行分隔 2011-04-01 10:10:10
3.时间的书写格式 10:10:10

numpy stellt den Typ bereit Zeichencode, der eine bequemere Handhabung von Datentypen ermöglichen kann. ?? 1 6/int32/int64

i1/ i2/ I4/I8 f4 / f8

complex64 / complex128c8 / c16Zeichentypstr, jedes Zeichen wird durch 32-Bit-Unicode-Codierung dargestelltUDatumdatatime64 M8[ Y] / M8[M ] / M8[D] / M8[h] / M8[m] / M8[s]
import numpy as np

data = [
    ('zs', [99, 98, 90], 17),
    ('ls', [95, 95, 92], 16),
    ('ww', [97, 92, 91], 18)
]
# 采用字典定义列名和元素的数据类型
arr = np.array(data, dtype={
    # 设置每列的别名
    'names': ['name', 'scores', 'age'],
    # 设置每列数据元素的数据类型
    'formats': ['2U', '3i4', 'i4']
})

print(arr)
print(arr[1]['scores'])
print(arr['scores'])
print(arr.dtype)
Nach dem Login kopieren
5. Fall Felder auswählen, ndarray Store-Daten verwenden. Python3-Video-Tutorial
import numpy as np

datas = [
    (0, '4室1厅', 298.79, 2598, 86951),
    (1, '3室2厅', 154.62, 1000, 64675),
    (2, '3室2厅', 177.36, 1200, 67659),]arr = np.array(datas, dtype={
    'names': ['index', 'housetype', 'square', 'totalPrice', 'unitPrice'],
    'formats': ['u1', '4U', 'f4', 'i4', 'i4']})print(arr)print(arr.dtype)# 计算 totalPrice 的均值sum_totalPrice = sum(arr['totalPrice'])print(sum_totalPrice/3)
Nach dem Login kopieren
[Verwandte Empfehlungen: ]

Das obige ist der detaillierte Inhalt vonEinführung in Python-Datentypen – Numpy. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Verwandte Etiketten:
Quelle:csdn.net
Erklärung dieser Website
Der Inhalt dieses Artikels wird freiwillig von Internetnutzern beigesteuert und das Urheberrecht liegt beim ursprünglichen Autor. Diese Website übernimmt keine entsprechende rechtliche Verantwortung. Wenn Sie Inhalte finden, bei denen der Verdacht eines Plagiats oder einer Rechtsverletzung besteht, wenden Sie sich bitte an admin@php.cn
Beliebte Tutorials
Mehr>
Neueste Downloads
Mehr>
Web-Effekte
Quellcode der Website
Website-Materialien
Frontend-Vorlage