NumPy (Numerical Python) ialah perpustakaan sambungan bahasa Python yang menyokong sejumlah besar operasi tatasusunan dan matriks Di samping itu, ia juga menyediakan sejumlah besar fungsi matematik perpustakaan untuk operasi tatasusunan.
NumPy ialah perpustakaan matematik yang sangat pantas, terutamanya digunakan untuk pengiraan tatasusunan, termasuk:
numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)
objek | ||
dtype | ||
salin | ||
pesanan | ||
subok | Mengembalikan tatasusunan yang konsisten dengan jenis kelas asas secara lalai | |
ndmin | Nyatakan dimensi minimum tatasusunan yang dijana |
Penukaran jenis data
Salin
Dimensi minimum
subok
Nama | Penerangan |
bool_ | Jenis data Boolean (Benar atau Salah ) |
int_ | Jenis integer lalai ( Serupa dengan long, int32 atau int64 dalam bahasa C) |
intc | adalah sama dengan jenis int C, biasanya int32 atau int 64 |
intp | Jenis integer digunakan untuk pengindeksan (serupa dengan ssize_t C, biasanya masih int32 atau int64) |
int8 <🎜><🎜> | Bait (-128 hingga 127) |
int16 | int32 |
Integer (-2147483648 hingga 2147483647) <🎜 | int64 |
uint8 | Integer tak bertanda (0 hingga 255) |
uint16 | Integer tak bertanda (0 hingga 65535) |
uint32 | Integer tidak ditandatangani (0 hingga 4294967295) |
uint64 | Integer tidak ditandatangani (0 hingga 18446744073709551615)<🎜 |
float_ | Singkatan untuk jenis float64 |
float16 | Nombor titik terapung separuh ketepatan, termasuk: 1 bit tanda, 5 bit eksponen , 10 digit mantissa |
float32 | single precision Terapung nombor titik, termasuk: 1 bit tanda, 8 bit eksponen, 23 bit mantissa |
float64 | Nombor titik terapung berketepatan ganda, termasuk: 1 bit tanda, 11 bit eksponen, 52 bit mantissa |
kompleks_ | Singkatan jenis complex128, iaitu nombor kompleks 128-bit |
kompleks64 | Nombor kompleks, mewakili nombor titik terapung 32-bit berganda (bahagian nyata dan bahagian khayalan) |
kompleks128 | Nombor kompleks, mewakili titik terapung berganda 64-bit nombor (bahagian sebenar dan bahagian khayalan ) |
数据类型对象(numpy.dtype 类的实例)用来描述与数组对应的内存区域是如何使用,它描述了数据的以下几个方面:
字节顺序是通过对数据类型预先设定 < 或 > 来决定的。 < 意味着小端法(最小值存储在最小的地址,即低位组放在最前面)。> 意味着大端法(最重要的字节存储在最小的地址,即高位组放在最前面)。
dtype 对象是使用以下语法构造的:
numpy.dtype(object, align, copy) object - 要转换为的数据类型对象 align - 如果为 true,填充字段使其类似 C 的结构体。 copy - 复制 dtype 对象 ,如果为 false,则是对内置数据类型对象的引用
字符 | 对应类型 |
b | 布尔型 |
i | (有符号) 整型 |
u | 无符号整型 integer |
f | 浮点型 |
c | 复数浮点型 |
m | timedelta(时间间隔) |
M | datetime(日期时间) |
O | (Python) 对象 |
S, a | (byte-)字符串 |
U | Unicode |
V | 原始数据 (void) |
dt = np.dtype(np.int32) print(dt) 输出: int32 dt = np.dtype('i4') print(dt) 输出: int32 dt = np.dtype([('age', np.int8)]) print(dt) 输出: [('age', 'i1')]
student = np.dtype([('name','S20'), ('age','i1'), ('score', 'f4')]) a = np.array([('xm', 10, 98.123456789), ('xh', 8, 99.111111111), ('xl', '9', 100)], dtype=student) print(a) 输出: [(b'xm', 10,98.12346 ) (b'xh',8,99.111115) (b'xl',9, 100.)]
Atas ialah kandungan terperinci Artikel yang menerangkan jenis data asas modul analisis data Python Numpy secara terperinci. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!