2.NumPy基础
2.1 NumPy 数组对象
2.2 NumPy 数据类型
2.3 数据类型对象 (dtype)
2.4 创建自定义数据类型
NumPy提供的最重要的数据结构是一个称为NumPy数组(ndarray)的强大对象，它是一系列同类型数据的集合，以 0 下标为开始进行集合中元素的索引，是Numpy中的底层数据类型。
ndarray 对象是用于存放同类型元素的多维数组。
ndarray 中的每个元素在内存中都有相同大小的区域。
ndarray 内部由以下内容组成：
ndarray 的内部结构:
跨度可以是负数，这样会使数组在内存中后向移动，切片中 obj[::-1] 或 obj[:,::-1] 就是如此。
创建一个 ndarray 只需调用 NumPy 的 array 函数即可：
numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)
参数说明：
| 名称 | 描述 |
|---|---|
| object | 数组或嵌套的数列 |
| dtype | 数组元素的数据类型，可选 |
| copy | 对象是否需要复制，可选 |
| order | 创建数组的样式，C为行方向，F为列方向，A为任意方向（默认） |
| subok | 默认返回一个与基类类型一致的数组 |
| ndmin | 指定生成数组的最小维度 |
快速创建一个向量（即一维的NumPy数组）：
import numpy as np
my_array = np.array([1, 2, 3, 4, 5])
print(my_array)
OUT:
[1 2 3 4 5]
指定数据 dtype
int 64
a = np.array([1, 2, 3, 4, 5],dtype=np.int64)
print(a.dtype)
int64
float32
a = np.array([1, 2, 3, 4, 5],dtype=np.float32)
print(a.dtype)
[1. 2. 3. 4. 5.]
确定一下这个向量的维度
print(my_array.shape)
会输出：(5, )，这表明这是一个包含5个元素的向量。数组的shape属性 返回一个元组（tuple），元组中的元素即为NumPy数组每一个维度上的大小。上面例子中的数组 是一维的，因此元组中只有一个元素
打印修改元素。NumPy数组的起始索引编号为0。
print my_array[0]
print my_array[1]
上述命令将分别在终端上打印1和2。还可以修改NumPy数组的元素。例如，假设我们编写以下2个命令：
my_array[0] = -1
print my_array
将在屏幕上看到：[-1,2,3,4,5]。
Python支持的数据类型有整型、浮点型以及复数型，但这些类型不足以满足科学计算的需 求，而NumPy支持的数据类型比 Python 内置的类型要多很多，基本上可以和 C 语言的数据类型对应上，其中部分类型对应为 Python 内置的类型。在实际应用中，我们需要不同精度的数据类型， 它们占用的内存空间也是不同的。在NumPy中，大部分数据类型名是以数字结尾的，这个数字 表示其在内存中占用的位数。
下表列举了常用 NumPy 基本类型。
| 名称 | 描述 |
|---|---|
| bool_ | 用一位存储的布尔型数据类型（值为True 或者 False） |
| int_ | 默认的整数类型（类似于 C 语言中的 long，int32 或 int64） |
| intc | 与 C 的 int 类型一样，一般是 int32 或 int 64 |
| intp | 用于索引的整数类型（类似于 C 的 ssize_t，一般情况下仍然是 int32 或 int64） |
| int8 | 整数（-128 to 127） |
| int16 | 整数（-32768 to 32767） |
| int32 | 整数（-2147483648 to 2147483647，$-2^{31}至2^{31}-1$） |
| int64 | 整数（-9223372036854775808 to 9223372036854775807,$-2^{63}至2^{63}-1$） |
| uint8 | 无符号整数（0 to 255） |
| uint16 | 无符号整数（0 to 65535） |
| uint32 | 无符号整数（0 to 4294967295,$0至2^{32}-1$） |
| uint64 | 无符号整数（0 to 18446744073709551615,$0至2^{64}-1$） |
| float_ | float64 类型的简写 |
| float16 | 半精度浮点数(16位)，包括：1 个符号位(正负号)，5 个指数位，10 个尾数位 |
| float32 | 单精度浮点数(32位)，包括：1 个符号位(正负号)，8 个指数位，23 个尾数位 |
| float64 | 双精度浮点数(64位)，包括：1 个符号位(正负号)，11 个指数位，52 个尾数位 |
| complex_ | complex128 类型的简写，即 128 位复数 |
| complex64 | 复数，表示双 32 位浮点数（实数部分和虚数部分） |
| complex128 | 复数，表示双 64 位浮点数（实数部分和虚数部分） |
numpy 的数值类型实际上是 dtype 对象的实例，并对应唯一的字符，包括 np.bool_，np.int32，np.float32，等等。
每一种数据类型均有对应的类型转换函数：
In: float64(42)
Out: 42.0
In: int8(42.0)
Out: 42
In: bool(42)
Out: True
In: bool(0)
Out: False
In: bool(42.0)
Out: True
In: float(True)
Out: 1.0
In: float(False)
Out: 0.0
每个numpy数组都是相同类型元素的网格。Numpy提供了一组可用于构造数组的大量数值数据类型。Numpy在创建数组时尝试猜测数据类型，但构造数组的函数通常还包含一个可选参数来显式指定数据类型。
x = np.array([1, 2]) # Let numpy choose the datatype
print(x.dtype) # Prints "int32"
x = np.array([1.0, 2.0]) # Let numpy choose the datatype
print(x.dtype) # Prints "float64"
在NumPy中，许多都函数的参数中可以指定数据类型，通常这个参数是可选的：
In: arange(7, dtype=uint16)
Out: array([0, 1, 2, 3, 4, 5, 6], dtype=uint16)
需要注意的是，复数是不能转换为整数的，这将触发TypeError错误,同样，复数也不能转换为浮点数。不过，浮点数却可以转换为复数，例如complex(1.0)。注意， 有$j$的部分为复数的虚部。
In: complex(1.0)
Out: (1+0j)
数据类型对象是numpy.dtype类的实例。如前所述，NumPy数组是有数据类型的，更确切地说，NumPy数组中的每一个元素均为相同的数据类型。
数据类型对象（numpy.dtype 类的实例）用来描述与数组对应的内存区域是如何使用，它描述了数据的以下几个方面：
数据的类型（整数，浮点数或者 Python 对象）
数据的大小（例如， 整数使用多少个字节存储）
dtype类的itemsize属性可以给出单个数组元素在 内存中占用的字节数。
x = np.array(2)
print(x.dtype) # print"int32"
print(x.dtype.itemsize) # print"4"
数据的字节顺序（小端法或大端法）
在结构化类型的情况下，字段的名称、每个字段的数据类型和每个字段所取的内存块的部分
如果数据类型是子数组，那么它的形状和数据类型是什么。
字节顺序是通过对数据类型预先设定 < 或 > 来决定的。 < 意味着小端法(最小值存储在最小的地址，即低位组放在最前面)。> 意味着大端法(最重要的字节存储在最小的地址，即高位组放在最前面)。
dtype 对象是使用以下语法构造的：
numpy.dtype(object, align, copy)
自定义数据类型是一种异构数据类型，可以当做用来记录电子表格或数据库中一行数据的结 构。
示例：创建一个存储商店库存信息的数据类型。其中，用一个长度为40个字 符的字符串来记录商品名称，用一个32位的整数来记录商品的库存数量，最后用一个32位的单精度浮点数来记录商品价格。
(1) 创建数据类型：
In: t = np.dtype([('name', np.str_, 40), ('numitems', np.int32)('price',np.float32)])
In: t
Out: dtype([('name', '<U40'), ('numitems', '<i4'), ('price', '<f4')])
在用array函数创建数组时，如果没有在参数中指定数据类型，将默认为浮点数类型。而现在，想要创建自定义数据类型的数组，就必须在参数中指定数据类型，否则将触发TypeError错误：
In: t = np.dtype([('name', np.str_, 40), ('numitems', np.int32), ('price',np.float32)])
fruits = np.array([('banana', 423, 5.80), ('apple', 520, 2.72)], dtype=t)
fruits
Out: array([('banana', 423, 5.8 ), ('apple', 520, 2.72)],
dtype=[('name', '<U40'), ('numitems', '<i4'), ('price', '<f4')])
总结：我们可以自定义一种异构数据类型，该类型包括一个用字符串记录的名字、一个用整数记录的数字以及一个用浮点数记录的价格。
