dtype是一个特殊的对象，它含有ndarray将一块内存解释特定数据类型所需的信息：
<code> import numpy as np
arr1 = np.array([1, 2, 3], dtype=np.float64)
arr2 = np.array([1, 2, 3], dtype=np.int32)/<code>
<code> arr1.dtype/<code>
<code> dtype('float64')/<code><code> arr2.dtype/<code>
<code> dtype('int32')/<code><code> # 使用astype函数显示转换ndarray的dtype
# 整数转换成浮点数
arr = np.array([1, 2, 3, 4, 5])
arr.dtype/<code>
<code> dtype('int32')/<code><code> float_arr = arr.astype(np.float64)
float_arr.dtype/<code>
<code> dtype('float64')/<code><code> # 浮点数转换成整数
arr = np.array([1.3, 2.3, -5.6, -7.8, 9.4 ])
arr/<code>
<code> array([ 1.3, 2.3, -5.6, -7.8, 9.4])/<code>
<code> arr.dtype/<code>
<code> dtype('float64')/<code><code> arr.astype(np.int32)/<code>
<code> array([ 1, 2, -5, -7, 9])/<code>
<code> arr.dtype
# 注意：浮点数转换成整数，会截断小数部分/<code>
<code> dtype('float64')/<code><code> # 如果字符串数组元素全部都是数字，也可以用astype将其转换为数值表示：
numeric_strings = np.array(['1.2', '4.5', '4', '6.4', '9'], dtype=np.string_)/<code>
<code> numeric_strings.astype(np.float64)/<code>
<code> array([1.2, 4.5, 4. , 6.4, 9. ])/<code>
<code> # 你也可以偷懒直接写成这样
numeric_stings.astype(float)/<code>
<code> array([1.2, 4.5, 4. , 6.4, 9. ])/<code>
<code> # dtype还可以直接引用赋值，举个例子：
int_array = np.arange(10)
calibers = np.array([.22, .270, .357, .380, .44, .50], dtype=np.float64)
# 我想把int_array的dtype变成跟calibers一样可以直接赋值
int_array.astype(calibers.dtype)/<code>
<code> array([0., 1., 2., 3., 4., 5., 6., 7., 8., 9.])/<code>
<code> # 你也可以用简洁的类型代码来表示dtype，u指unit，8指8字节
empty_unit32 = np.empty(8, dtype='u8')
empty_unit32/<code>
<code> array([ 0, 0, 0, 0, 0, 1104, 0, 0], dtype=uint64)/<code>
<code> # 但是注意，调用astype会创建一个新的数组(拷贝)，及时新数组跟老数组的dtype相同也是如此。
# 数据类型对于大数据集的存储和计算尤为重要，但是通常来说，你只要把它当成还是普通的Python对象就行，大致类型无非就是浮点、复数、整数、布尔、字符串等。/<code>
dtype 是NumPy如此强大和灵活的原因之一。数值型dtype的命名方式相同：一个类型名（float，int等），后面跟一个用于表示各元素长的数字。 NumPy的数据类型这里不做更多的说明，有兴趣的读者可以自己查询。
分享到:
閱讀更多 不愛吃糖的大師 的文章
