numpy:数组的类型

  先将模块导入到文件中

import numpy as np

1、创建数组的时候指定类型

arr = np.arange(0, 6, 1, dtype=np.int64)
arr = np.arange(0, 6, 1, dtype=np.float64)

  使用arange()方法创建数组,用参数dtype设置数组中元素的数据类型,使用arange()方法创建的数组无法将元素指定为bool类型

2、创建元素类型为bool的数组

arr = np.array([0, 1, 2, 3, 4], dtype=np.bool)

  使用arange()方法创建数组,可以指定元素数据类型为bool类型

3、数据类型之间的强制转化

np.bool(1)
np.float64(0)
np.str(0)
np.int32(0)

  使用bool()、float64()、str()、int32()方法对数组的数据类型进行强制转化,参数为要转化的数组

4、数组创建好之后,再去修改数组的数据类型

arr.dtype = np.int32
arr = arr.astype(np.int32)

  使用dtype属性或astype()方法修改数组的数据类型

5、自定义数据类型

df = np.dtype([("name", np.str, 40), ("hight", np.float64), ("weight", np.float64)])
arr = np.array([("bq", 168.5, 55.0), ("nl", 178.5, 65.0), ("yf", 175, 60)], dtype=df)

  使用的type()方法自定义数据类型

原文地址:https://www.cnblogs.com/xmcwm/p/11832265.html

时间: 2024-11-05 22:35:01

numpy:数组的类型的相关文章

numpy数组、向量、矩阵运算

可以来我的Github看原文,欢迎交流. https://github.com/AsuraDong/Blog/blob/master/Articles/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/numpy%E6%95%B0%E7%BB%84%E3%80%81%E5%90%91%E9%87%8F%E3%80%81%E7%9F%A9%E9%98%B5%E8%BF%90%E7%AE%97.md import numpy as np import pandas as pd

【Python实战15】NumPy数组的创建

NumPy提供了一个N维数组对象,即:ndarray.ndarray是一个通用的同构数据多维容器,也就是说,其中的所有元素必须是相同类型的. 创建ndarray数组 创建数组最简单的方式就是使用array函数,它接受一切序列型的对象,然后产生一个新的含有传入数据的NumPy数组.如下: 嵌套的序列将会被转换为一个多为数组: 除非显示的说明,np.array会尝试为新建的这个数组推断出一个较为合适的数据类型,我们可以通过dtype来进行查看,比如上面刚建立的数组类型为:int32类型:另,我们可以

numpy 数组创建例程

1 numpy.empty empty(shape[, dtype=float, order='C']) 创建指定 shape 和dtype 的未初始化数组 返回:ndarray. 说明:order = 'C' 或 'F' 'C'是按行的C风格的数组,'F'为按列的Fortran 风格数组. import numpy as np a = np.empty((3,3),dtype = int) print(a) 运行 [[ 6553665 7471204 7536741] [ 4587635 71

numpy数组和python数组的区别

1.numpy数组创建时是固定大小,python数组(list)是动态的.更改ndarray的大小将创建一个新数组并删除原来的数组. 2.元素类型区别. NumPy数组中的元素都需要具有相同的数据类型,因此在内存中的大小相同. python的List可以存放不同类型的元素. 例外情况:Python的原生数组里包含了NumPy的对象的时候,这种情况下就允许不同大小元素的数组. 3.数学操作执行效率高于原生python 4.越来越多的基于Python的科学和数学软件包使用NumPy数组 原文地址:h

numpy数组求累加和numpy.cumsum()

numpy数组求累加和 numpy.cumsum(a,  axis=None, dtype=None, out=None) 按照所给定的轴参数返回元素的梯形累计和,axis=0,按照行累加.axis=1,按照列累加.axis不给定具体值,就把numpy数组当成一个一维数组. >>> >>> a = np.array([[1,2,3], [4,5,6]]) >>> a array([[1, 2, 3], [4, 5, 6]]) >>>

numpy数组的排序,搜索,元素抽取

排序 numpy的排序函数 sort函数返回排序后的数组 lexsort函数根据键值的字典序进行排序 argsort函数返回数组排序后的下标 ndarray类的sort方法可以对数组进行原地排序 msort函数沿着第一个轴排序 sort_complex函数对复数按照先实部后虚部的顺序进行排序 Key_Function lexsort函数根据键值的字典序进行排序 将两个数组构成的元组, 分别取出对应下标的元素, 第一个数组的看做key, 第二个数组看做value 然后按照value进行排序, 返回

numpy数组属性

NumPy 数组的维数称为秩(rank),即数组的维度. NumPy中,每一个线性的数组称为是一个轴(axis),axis=0,表示沿着第 0 轴进行操作,即对每一列进行操作:axis=1,表示沿着第1轴进行操作,即对每一行进行操作. NumPy 的数组中比较重要 ndarray 对象属性有: 属性 说明 ndarray.ndim 秩,即轴的数量或维度的数量 ndarray.shape 数组的维度,对于矩阵,n 行 m 列 ndarray.size 数组元素的总个数,相当于 .shape 中 n

C++读取保存为二进制的 numpy 数组

首先需要确定C++和Python中变量对应的精度类型, https://docs.scipy.org/doc/numpy/user/basics.types.html#array-types-and-conversions-between-types 常用的, C++int对应Pythonnp.intc C++float对应Pythonnp.single C++double对应Pythonnp.double numpy数组保存为二进制文件 import numpy as np a = np.ar

数据分析(1) Numpy数组

Numpy的数组类被称作ndarray,通常被称作数组. 特点:元素类型相同,数量事先给定. 1 创建方式 (1)array( ):接收一个普通的Python序列(元组与列表并无区别),并将其转换为ndarray: # 使用列表创建 list1 = [1, 2, 3, 4, 5] print('使用一维列表创建:\n', np.array(list1)) list2 = [[1, 2, 3], [4, 5, 6]] print('使用二维列表创建:\n', np.array(list2)) #

numpy 数组对象

numpy 数组对象NumPy中的ndarray是一个多维数组对象,该对象由两部分组成:实际的数据,描述这些数据的元数据# eg_v1 import numpy as np a = np.arange(5) # 创建一个包含5个元素的NumPy数组a,取值分别为0~4的整数 print (a) # [0 1 2 3 4] print (a.dtype) # dtype 查看数组的数据类型 # int32 (数组a的数据类型为int32) # 确定数组的维度(数组的shape属性返回一个元组(tu