数据型态

因为 NumPy 是主要作为数据计算的函数库，因此 NumPy 里面的数据型别具有比 Python 内建的数据型别更高的精度，也可以更方便的将数组数据转换为指定的型态，这篇教学将会介绍 NumPy 的数据型态以及相对应的转换方式。

快速导览：

• 数据型态的种类
• 转换数据型态 ( dtype、astype )
• 结构化转换型态
• 取得数据型态

本篇使用的 Python 版本为 3.7.12，所有范例可使用 Google Colab 实作，不用安装任何软件 ( 参考：使用 Google Colab )

数据型态的种类

NumPy 的数据型态有下列几种 ( 参考 NumPy 官方说明文件 )：

转换数据型态

NumPy 在定义数组时，可以透过 dtype 指定数据的型态，就能将数组内的所有数据转变成对应的型态 ( 注意，如果有遇到无法互相转换的型态，会发生错误 )，下方的范例，会将原始数组 a 的数据，转换成不同型态的数组。

import numpy as np
a = np.array([1.1, 2.2, 3.3, 0, -1])
b = np.array(a, dtype='?')
c = np.array(a, dtype='U')
d = np.array(a, dtype='S')
e = np.array(a, dtype='B')
f = np.array(a, dtype='i')
print(a)   # [ 1.1  2.2  3.3  0.  -1. ]
print(b)   # [ True  True  True False  True]
print(c)   # ['1.1' '2.2' '3.3' '0.0' '-1.0']
print(d)   # [b'1.1' b'2.2' b'3.3' b'0.0' b'-1.0']
print(e)   # [  1   2   3   0 255]
print(f)   # [ 1  2  3  0 -1]

如果是透过 astype 的方法，则可以将现有的数组进行数据型态的转换，下方的范例会将整数数组，转换成浮点数数组。

a = np.array([1, 2, 3, 4], dtype="int32")
b = a.astype('float32')
print(a)    # 1, 2, 3, 4
print(b)    # 1., 2., 3., 4,

结构化转换型态

除了单纯的转换数据型态，也可透过“结构化”的方式，让数组中同时具有不同型态的数据，下方的例子，会将会将数据转换成对应的型态。

import numpy as np
dt = np.dtype([('a','U5'),('b','f'),('c','?')])
a = np.array([(1.1,2.2,3.3), (1.1,2.2,3.3)], dtype=dt)
print(a)    # [('1.1', 2.2,  True) ('1.1', 2.2,  True)]

取得数据型态

使用 NumPy 定义的数组，都可以使用 dtype 的方法来查看该数组的数据类型，下方的例子会印出不同数据类型数组的 dtype。

import numpy as np
a = np.array([1,2,3,4,5])
b = np.array([1,2,3,4,5], dtype='U10')
print(a.dtype)    # int64
print(b.dtype)    # <U10

意见反馈