NumPy adattípusok Ismerje meg a különféle váratlan adattípusokat Példák

Bevezetés a NumPy adattípusokba

Az adattípus az adatokhoz társított attribútum, amely meghatározza az adatok tárolásának típusát, az azokkal végrehajtható műveletek fajtáját és, ami a legfontosabb, az ehhez szükséges memóriaterület. A nagyon általános adattípusok közül néhány egész, valós, logikai és char. Ebben a cikkben megpróbáljuk megérteni a Numpy által támogatott különféle adattípusokat. A Numpy egy python csomag, amelyet tudományos számításhoz használnak. Ez tisztán a C programozási nyelven íródott. Ezért feltételezhetjük, hogy a Numpy adattípusai többé-kevésbé a C adattípusok frissítése.

Rossz adattípusok

A numpy által támogatott különféle adattípusok a következők:

Finom adattípus	Szorosan kapcsolódó C adattípus	Tárolási méret	Leírás
np.bool_	bool	1 bájt	képes boolean értékeket tárolni, például (True vagy False) vagy (0 vagy 1)
np.byte	aláírt char	1 bájt	0-tól 255-ig tarthat értékeket
np.ubyte	alá nem írt char	1 bájt	-128 és 127 között tarthat értékeket
np.short	aláírt rövid	2 bájt	-32 768 és 32 767 közötti értékeket tarthat
np.ushort	alá nem írt rövid	2 bájt	0 és 65 535 közötti értéket tud tartani
np.uintc	aláírta int	2 vagy 4 bájt	0-tól 65 535-ig vagy 0-tól 4 294 967 295-ig tarthat
np.int_	hosszú	8 bájt	-9223372036854775808 és 9223372036854775807 közötti értékeket tarthat
np.uint	alá nem írt hosszú	8 bájt	0 - 18446744073709551615
np.longlong	hosszú, hosszú	8 bájt	-9223372036854775808 és 9223372036854775807 közötti értékeket tarthat
np.ulonglong	alá nem írt hosszú hosszú	8 bájt	0 - 18446744073709551615
np.half / np.float16	-		lehetővé teszi a félig úsztatott pontosságot a Formátum: jel bit, 5 bit exponens, 10 bit mantissa
np.single	úszó	4 bájt	lehetővé teszi az egyszeri úszó pontosságát Formátum: jel bit, 8 bit exponens, 23 bit mantissa
np.double	kettős	8 bájt	kettős úszó pontosságot tesz lehetővé Formátum: jelző bit, 11 bit exponens, 52 bit mantissa.
np.longdouble	hosszú dupla	8 bájt	az úszó kiterjesztése
np.csingle	úszó komplexum	8 bájt	akár valós és képzeletbeli részekkel is képes komplexen tartani egypontos pontosságú úszó
np.cdouble	kettős komplexum	16 bájt	akár valós és képzeletbeli részekkel is képes komplexen tartani kettős pontosságú úszó
np.clongdouble	hosszú kettős komplexum	16 bájt	az úszó kiterjesztése a komplex számhoz
np.int8	int8_t	1 bájt	-128 és 127 között tarthat értékeket
np.int16	int16_t	2 bájt	-32 768 és 32 767 közötti értékeket tarthat
np.int32	int32_t	4 bájt	-2147, 483, 648 és 2, 147, 483, 647 között tarthat értékeket
np.int64	int64_t	8 bájt	-9223372036854775808 és 9223372036854775807 közötti értékeket tarthat
np.uint8	uint8_t	1 bájt	0-tól 255-ig tarthat értékeket
np.uint16	uint16_t	2 bájt	0 és 65 535 közötti értéket tud tartani
np.uint32	uint32_t	4 bájt	0 és 4 294 967 295 közötti értékeket képes tartani
np.uint64	uint64_t	8 bájt	0 és 18446744073709551615 közötti értékeket tarthat
np.intp	intptr_t	4 bájt	az indexeléshez használt aláírt egész szám
np.uintp	uintptr_t	4 bájt	egy alá nem írt egész szám, amely a mutató tartására szolgál
np.float32	úszó	4 bájt	egyszeri úszó pontosság
np.float64	kettős	8 bájt	kettős úszó pontosság
np.complex64	úszó komplexum	8 bájt	egyszeri úszó pontosság komplex számokban
np.complex128	kettős komplexum	16 bájt	kettős úszó pontosság komplex számokban

Példák a NumPy adattípusokra

Most értjük meg, hogy egy adott számtelen adattípus hogyan kerül felhasználásra.

1. példa

Adattípus objektum létrehozása

dt = np.dtype(np.int8)

Kimenet:

2. példa

Adattípus méretének megkeresése

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

Kimenet:

3. példa

Adattípus-objektum létrehozása egyedi szimbólumok felhasználásával az egyes adattípusokhoz

Minden számtípusban lévő adattípushoz társított karakterkód tartozik, amely egyedileg azonosítja azt.

dt = np.dtype('i4')

Kimenet:

4. példa

Adattípusok használata strukturált tömb létrehozásához

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

Kimenet:

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

Kimenet:

Következtetés

A szemtelen adattípusok többé-kevésbé hasonlítanak a C adattípusokhoz. Durván kategóriákba sorolhatók: bool, byte, int, float, double és komplex. A jó programozóknak meg kell érteniük, hogyan tárolják és kezelik az adatokat. Ez az adattípusok hatékony megértésével érhető el.

Ajánlott cikkek

Ez egy útmutató a NumPy adattípusokhoz. Itt a Példákkal együtt megvitatjuk, hogy egy adott számtelen adattípus hogyan kerül felhasználásra. Lehet, hogy megnézi a következő cikkeket is, ha többet szeretne megtudni -

1. Mi a NumPy?
2. Matplotlib a Pythonban
3. Python adattípusok
4. Szótár Pythonban