NumPy-ndarray的数据类型用法说明

arr = np.array([1,2,3,4,5])
print(arr.dtype)
print(arr)
float_arr = arr.astype('float32')#也可以写作 arr.astype(np.float32)
print(float_arr.dtype)
print(float_arr)

int_arr = np.arange(10)
calibers = np.array([.22, .270, .357], dtype=np.float64)
print(calibers)
arr_last = int_arr.astype(calibers.dtype)
print(arr_last.dtype)
print(arr_last)

# 测试当前Numpy中的narray中的属性
# 使用的numpy的版本为：1.17.4
import numpy as np

default_array = [[1, 2, 3, 4, 5, 6],
                 [1, 2, 3, 4, 5, 6]]
np_array = np.array(default_array)
print("当前存储后的数据的dtype类型为：{}".format(np_array.dtype))  # int32
print("查看这个对象的实际类型：{}".format(type(np_array)))  #
print("查看这个对象的形状：{}".format(np_array.shape))  # （2，6）
print("当前这个对象的字节长度：{}".format(np_array.itemsize))  # 4
print("当前这个对象的长度(使用python的len方法)：{}".format(len(np_array)))  # 2 只迭代了一组数据外层的二维数据
print("当前这个对象的长度(使用自己的size方法)：{}".format(np_array.size))  # 获取了所有的数据的数量

print(np.array([[1, 2, 3], [1, 2, 3]]).dtype)
print(np.array([1.2, 2.2, 3.2]).dtype)

# 可以看出当前默认使用的类型为int32
# 默认使用的浮点类型为：float64

# 修改和设定当前的使用的初始化类型
# print(np.array([[1.1,1.2,1.3]],dtype="int32").dtype)
print(np.array([[1.1,1.2,1.3]],dtype=np.int32).dtype)

# 使用numpy中的生成的数组数据的方法
import numpy as np

# 生成1的操作
np_array = np.zeros([2, 2])
print("当前生成的数据为：{}".format(np_array))
print("输出当前生成的数据的类型为：{}".format(np_array.dtype))

# 说明当前默认产生的数据数据的类型为float64
# 现在改变当前的dtype,直接将当前的dtype的数据类型设置为int32
np_array.dtype = np.int32
print("当前生成的数据为：{}".format(np_array))
print("输出当前生成的数据的类型为：{}".format(np_array.dtype))

# 生成1的数据
np_array_ones = np.ones([2, 2], dtype=np.int32)
print(np_array_ones)

# 创建一个未初始化的数据，默认未初始化
x = np.empty([3, 2], dtype=int)
print(x)

# 从已有的数组中创建数据
import numpy as np

default_array = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
default_tuple = (1, 2, 3, 4, 5, 6, 7, 8, 9, 10)
print(type(default_tuple))
copy_array = np.asarray(default_array)  # 用于浅拷贝
copy_tuple = np.asarray(default_tuple)
print("asarray数组后的数据：{}".format(copy_array))
print("asarray元组后的数据：{}".format(copy_tuple))
deep_copy_array = np.copy(default_array)
print("copy数组后的数据：{}".format(deep_copy_array))

# 通过固定范围生成数组,使用arange方式生成0 到 9之间的数据,默认生成的数据为当前的为范围的值，这里的步长默认就是1,结果中不包含10，这里是按照指定的步长进行迭代
range_array = np.arange(0, 10, dtype=np.int32)
print("range_array:{}".format(range_array))

# 通过随机方式生成数组
random_array = np.random.random((2, 2))
print("使用随机方式生成数组：{}".format(random_array))  # 默认生成的数据为0到1之间的数据

# 2 生成随机的整数
random_array_int = np.random.randint(1, 10, (2, 2))
print("生成随机整数：{}".format(random_array_int))

# 在指定范围中生成15 个 1到 10之间的数,这是一个随机的数据，是等距离的，当要求的数据超过当前的范围的数据的时候默认就会随机生成一些数据
listspace_array = np.linspace(1, 10, 15, dtype=np.int32)  # 就是按照一定的等分进行划分为指定个需要的数据，这里的结果中包含10，相当于当前的等差数列一样
print("listspace_array:{}".format(listspace_array))

# 生成一个等比的数列，这里面的2 表示生成的样本的个数为2 ,起始数据为1，结束数据为4,表示最小为3的1次方到当前的3的4次方
equal_ratio_array = np.logspace(1, 4, 2, dtype=np.int32)  # 这里的默认的底数为10 表示当前最小为10的一次方，最大为当前的10的4次方
print("当前的等比数列的数据为：{}".format(equal_ratio_array))