1.3.3. 更复杂的数组

1.3.3.1. 更多数据类型

类型转换

“较大”类型在混合类型操作中获胜

>>> np.array([1, 2, 3]) + 1.5

array([2.5,  3.5,  4.5])

赋值永远不会改变类型！

>>> a = np.array([1, 2, 3])

>>> a.dtype

dtype('int64')

>>> a[0] = 1.9     # <-- float is truncated to integer

>>> a

array([1, 2, 3])

强制转换

>>> a = np.array([1.7, 1.2, 1.6])

>>> b = a.astype(int)  # <-- truncates to integer

>>> b

array([1, 1, 1])

舍入

>>> a = np.array([1.2, 1.5, 1.6, 2.5, 3.5, 4.5])

>>> b = np.around(a)

>>> b                    # still floating-point

array([1.,  2.,  2.,  2.,  4.,  4.])

>>> c = np.around(a).astype(int)

>>> c

array([1, 2, 2, 2, 4, 4])

不同数据类型的大小

整数（带符号）

int8

8 位

int16

16 位

int32

32 位（与 32 位平台上的 int 相同）

int64

64 位（与 64 位平台上的 int 相同）

 
>>> np.array([1], dtype=int).dtype

dtype('int64')

>>> np.iinfo(np.int32).max, 2**31 - 1

(2147483647, 2147483647)

无符号整数

uint8

8 位

uint16

16 位

uint32

32 位

uint64

64 位

 
>>> np.iinfo(np.uint32).max, 2**32 - 1

(4294967295, 4294967295)

浮点数

float16

16 位

float32

32 位

float64

64 位（与 float 相同）

float96

96 位，平台相关（与 np.longdouble 相同）

float128

128 位，平台相关（与 np.longdouble 相同）

 
>>> np.finfo(np.float32).eps

np.float32(1.1920929e-07)

>>> np.finfo(np.float64).eps

np.float64(2.220446049250313e-16)



>>> np.float32(1e-8) + np.float32(1) == 1

np.True_

>>> np.float64(1e-8) + np.float64(1) == 1

np.False_

复数浮点数

complex64

两个 32 位浮点数

complex128

两个 64 位浮点数

complex192

两个 96 位浮点数，平台相关

complex256

两个 128 位浮点数，平台相关

1.3.3.2. 结构化数据类型

sensor_code

(4 个字符的字符串)

position

(浮点数)

value

(浮点数)

 
>>> samples = np.zeros((6,), dtype=[('sensor_code', 'S4'),

...                                 ('position', float), ('value', float)])

>>> samples.ndim

1

>>> samples.shape

(6,)

>>> samples.dtype.names

('sensor_code', 'position', 'value')

>>> samples[:] = [('ALFA',   1, 0.37), ('BETA', 1, 0.11), ('TAU', 1,   0.13),

...               ('ALFA', 1.5, 0.37), ('ALFA', 3, 0.11), ('TAU', 1.2, 0.13)]

>>> samples

array([(b'ALFA', 1. , 0.37), (b'BETA', 1. , 0.11), (b'TAU', 1. , 0.13),

       (b'ALFA', 1.5, 0.37), (b'ALFA', 3. , 0.11), (b'TAU', 1.2, 0.13)],

      dtype=[('sensor_code', 'S4'), ('position', '<f8'), ('value', '<f8')])

字段访问通过使用字段名索引来实现

>>> samples['sensor_code']

array([b'ALFA', b'BETA', b'TAU', b'ALFA', b'ALFA', b'TAU'], dtype='|S4')

>>> samples['value']

array([0.37,  0.11,  0.13,  0.37,  0.11,  0.13])

>>> samples[0]

np.void((b'ALFA', 1.0, 0.37), dtype=[('sensor_code', 'S4'), ('position', '<f8'), ('value', '<f8')])



>>> samples[0]['sensor_code'] = 'TAU'

>>> samples[0]

np.void((b'TAU', 1.0, 0.37), dtype=[('sensor_code', 'S4'), ('position', '<f8'), ('value', '<f8')])

一次获取多个字段

>>> samples[['position', 'value']]

array([(1. ,  0.37), (1. ,  0.11), (1. ,  0.13), (1.5,  0.37),

       (3. ,  0.11), (1.2,  0.13)],

      dtype={'names': ['position', 'value'], 'formats': ['<f8', '<f8'], 'offsets': [4, 12], 'itemsize': 20})

花式索引照常起作用

>>> samples[samples['sensor_code'] == b'ALFA']

array([(b'ALFA', 1.5, 0.37), (b'ALFA', 3. , 0.11)],

      dtype=[('sensor_code', 'S4'), ('position', '<f8'), ('value', '<f8')])

注意

还有许多其他构建结构化数组的语法，请参见 这里 和 这里。

1.3.3.3. maskedarray: 处理（传播）缺失数据

  • 对于浮点数，可以使用 NaN，但掩码适用于所有类型

    >>> x = np.ma.array([1, 2, 3, 4], mask=[0, 1, 0, 1])

    >>> x

    masked_array(data=[1, --, 3, --],

                 mask=[False,  True, False,  True],

           fill_value=999999)

    

    

    >>> y = np.ma.array([1, 2, 3, 4], mask=[0, 1, 1, 1])

    >>> x + y

    masked_array(data=[2, --, --, --],

                 mask=[False,  True,  True,  True],

           fill_value=999999)

  • 常用函数的掩码版本

    >>> np.ma.sqrt([1, -1, 2, -2]) 

    masked_array(data=[1.0, --, 1.41421356237... --],

                 mask=[False,  True, False,  True],

           fill_value=1e+20)

注意

还有其他有用的 数组兄弟姐妹

虽然在关于 NumPy 的章节中，它是一个脱轨话题，但让我们花点时间回顾一下良好的编码实践，这些实践确实会在长远带来回报