数据类型¶
数组类型和类型之间的转换¶
Numpy支持比Python更多的数字类型。本部分显示哪些是可用的，以及如何修改数组的数据类型。
| 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；通常是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；通常是int32或int64） |
| INT8 | 字节（-128至127） |
| INT16 | 整数（-32768至32767） |
| INT32 | 整数（-2147483648至2147483647） |
| Int64的 | 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到4294967295） |
| UINT64 | 无符号整数（0到18446744073709551615） |
| float_ | float64的简写。 |
| float16 | 半精度浮点：符号位，5位指数，10位尾数 |
| FLOAT32 | 单精度浮点数：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位浮点数（实部和虚部） |
| complex128 | 复数，由两个64位浮点数（实部和虚部） |
除了intc之外，还定义了平台相关的C整数类型short，long，longlong。
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。在你使用下面的语句导入NumPy后
>>> import numpy as np
这些类型可以用np.bool_、np.float32等方式访问。
未在上表中列出的高级类型，请参见结构化数组部分。
有5个基本数字类型表示布尔（bool）、整数（int）、无符号整数（uint）、浮点数（float）和复数。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。一些例子：
>>> 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)
>>> z
array([0, 1, 2], dtype=uint8)
数组类型也可以由字符代码引用，主要是为了保持与旧数据包（如Numeric）的向后兼容性。有些文档可能仍然提及这些文档，例如：
>>> np.array([1, 2, 3], dtype='f')
array([ 1., 2., 3.], dtype=float32)
我们建议使用dtype对象。
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。例如：
>>> z.astype(float)
array([ 0., 1., 2.])
>>> np.int8(z)
array([0, 1, 2], dtype=int8)
请注意，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。
要确定数组的类型，请查看dtype属性：
>>> z.dtype
dtype('uint8')
dtype对象还包含有关该类型的信息，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，例如是否为整数：
>>> d = np.dtype(int)
>>> d
dtype('int32')
>>> np.issubdtype(d, int)
True
>>> np.issubdtype(d, float)
False
数组标量¶
Numpy通常返回数组的元素作为数组标量（与相关dtype的标量）。数组标量与Python标量不同，但大多数情况下它们可以互换使用（主要例外是Python版本比v2.x更早的版本，其中整数数组标量不能充当列表和元组的索引）。有一些例外情况，比如代码需要非常特定的标量属性，或者当它特别检查某个值是否为Python标量时。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，使用数组标量可以确保数组和标量之间的相同行为，而不管该值是否在数组中。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，几乎相当于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。
For efficient memory alignment, np.longdouble is usually stored padded with zero bits, either to 96 or 128 bits. 哪个更有效率取决于硬件和开发环境；通常在32位系统上它们被填充到96位，而在64位系统上它们通常被填充到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。In spite of the names, np.float96 and np.float128 provide only as much precision as np.longdouble, that is, 80 bits on most x86 machines and 64 bits in standard Windows builds.
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，%格式操作符要求将其参数转换为标准python类型，因此即使请求了许多小数位，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。