numpy基础：基础数据类型

参考：
NumPy v1.11手册

Numpy支持比Python更多种类的数值类型。

数据类型	描述
bool_	布尔（True或False），存储为一个字节
int_	默认整数类型（与C long相同；通常为int64或int32）
intc	与C int（通常为int32或int64）相同
intp	用于索引的整数（与C ssize_t相同；通常为int32或int64）
int8	字节（-128到127）
int16	整数（-32768到32767）
int32	整数（-2147483648至2147483647）
int64	整数（-9223372036854775808至9223372036854775807）
uint8	无符号整数（0到255）
uint16	无符号整数（0到65535）
uint32	无符号整数（0至4294967295）
uint64	无符号整数（0至18446744073709551615）
float_	float64的简写。
float16	半精度浮点：符号位，5位指数，10位尾数
float32	单精度浮点：符号位，8位指数，23位尾数
float64	双精度浮点：符号位，11位指数，52位尾数
complex_	complex128的简写。
complex64	复数，由两个32位浮点（实数和虚数分量）
complex128	复数，由两个64位浮点（实数和虚数分量）

Numpy数值类型是dtype（data-type）对象的实例，每个类型具有唯一的特征。这些类型可以用np.bool_、np.float32等方式访问。

那些在其名称中具有数字的类型表示类型的位的大小（即，需要多少位来表示存储器中的单个值）。某些类型，例如int和intp，根据平台（例如32位与64位机器）具有不同的位大小。当与存储器直接寻址的低级代码（例如C或Fortran）接口时，应该考虑这一点。

数据类型可以用作函数将python数字转换为数组标量（有关说明，请参阅数组标量部分）、将python数字序列转换为该类型的数组、或作为许多numpy函数或方法接受的dtype关键字参数。

>>> import numpy as np
>>> x = np.float32(1.0)
>>> x
1.0
>>> y = np.int_([1,2,4])
>>> y
array([1, 2, 4])
>>> z = np.arange(3, dtype=np.uint8) # 起始位置0,3 间隔为1
>>> z
array([0, 1, 2], dtype=uint8)

数组类型也可以通过字符代码来引用，主要是为了保持与较旧包（例如Numeric）的向后兼容性。一些文档可能仍然引用这些。

>>> np.array([1, 2, 3], dtype='f')
array([ 1.,  2.,  3.], dtype=float32)

要转换数组的类型，请使用.astype()方法（首选）或类型本身作为函数。

# 以下类型转换，不是在原数据的基础上修改，而是返回一个新的numpy数组
>>> z.astype(float)     
array([  0.,  1.,  2.])
>>> np.int8(z)
array([0, 1, 2], dtype=int8)

注意：上面，我们使用Python float对象作为dtype。NumPy 知道int指代np.int_、bool表示np.bool_、 float为np.float_以及complex为np.complex_。其他数据类型没有Python等效的类型。

用dtype属性，确定数组的类型：

>>> z.dtype
dtype('uint8')

dtype对象还包含有关类型的信息，例如其位宽和字节顺序。数据类型也可以间接用于查询类型的属性，例如是否是整数：

>>> d = np.dtype(int)
>>> d
dtype('int32')
>>> np.issubdtype(d, int)
True
>>> np.issubdtype(d, float)
False

数组标量

Numpy通常将数组的元素返回为数组标量（具有关联dtype的标量）。数组标量与Python标量不同，但在大多数情况下，它们可以互换使用（主要例外是早于v2.x的Python版本，其中整数数组标量不能用作列表和元组的索引）。有一些例外，例如当代码需要标量的非常特定的属性，或者当它特别检查一个值是否是一个Python标量。通常，使用相应的Python类型函数（例如int、float、complex、str，unicode）将数组标量显式转换为Python标量就很容易解决问题。

使用数组标量的主要优点是它们保留数组类型（Python可能没有可用的匹配标量类型，例如int16）。因此，使用数组标量确保数组和标量之间的行为相同，而不管值是否在数组内。NumPy标量也有很多和数组相同的方法。

扩展精度

Python的浮点数通常是64位浮点数，几乎等效于np.float64。在某些不常见的情况下，使用Python的浮点数更精确。这在numpy是否可能取决于硬件和开发环境：具体来说，x86机器提供80位精度的硬件浮点数，大多数C编译器提供它为long double类型，MSVC（Windows版本的标准）让long double和double（64位）完全一样。Numpy使编译器的long double为np.longdouble（复数为np.clongdouble）。你可以用np.finfo(np.longdouble)找出你的numpy提供的是什么。

Numpy 不提供比 C long double 更高精度的数据类型，特别地 128 位的IEEE quad precision 数据类型（FORTRAN的 REAL*16） 不可用。

为了有效地进行内存对齐，np.longdouble通常用零位填充，无论是96位还是128位。哪个更高效取决于硬件和开发环境；通常在32位系统上，它们被填充为96位，而在64位系统上，它们通常被填充为128位。np.longdouble被填充到系统默认值；为需要特定填充的用户提供np.float96和np.float128。尽管有名称，np.float96和np.float128只提供与np.longdouble一样多的精度，即80位大多数x86机器和64位标准Windows构建。

请注意，即使np.longdouble提供比python float更多的精度，也很容易失去额外的精度，因为python通常强制值通过float传递值。例如，%格式化操作符需要将其参数转换为标准python类型，因此即使请求了多个小数位，也不可能保留扩展精度。使用值1 + np.finfo(np.longdouble).eps测试你的代码非常有用。