Numpy 데이터 형식 대상(dtype)에 대한 자세 한 설명
# numpy np, numpy
#
>>>type(float)
dtype('float64')
#
>>> dtype('f')
dtype('float32')
>>> dtype('d')
dtype('float64')
#
>>> dtype('f8')
dtype('float64')
#
>>> sctypeDict.keys()
[0, … 'i2', 'int0']
# char
>>> t = dtype('Float64')
>>> t.char
'd'
# type
>>> t.type
<type 'numpy.float64'>
# str
# ,< ,> ,|
>>> t.str
'<f8'
#
>>> t.itemsize
8
# dtype
# 、 dtype
>>> arange(7, dtype=uint16)
array([0, 1, 2, 3, 4, 5, 6], dtype=uint16)
형식 매개 변수 및 줄 임 말유형
문자 코드
bool
?, b1
int8
b, i1
uint8
B, u1
int16
h, i2
uint16
H, u2
int32
i, i4
uint32
I, u4
int64
q, i8
uint64
Q, u8
float16
f2, e
float32
f4, f
float64
f8, d
complex64
F4, F
complex128
F8, D
str
a,S(S 뒤에 숫자 를 추가 하여 문자열 의 길 이 를 표시 할 수 있 습 니 다.예 를 들 어 S3 는 길이 가 3 인 문자열 을 표시 하고 쓰 지 않 으 면 최대 길이 입 니 다)
unicode
U
object
O
void
V
사용자 정의 이 구 데이터 형식
기본 서식
import numpy
# t
>>> t = dtype([('name', str, 40), ('numitems', numpy.int32), ('price',numpy.float32)])
>>> t
dtype([('name', '|S40'), ('numitems', '<i4'), ('price','<f4')])
#
>>> t['name']
dtype('|S40')
#
#
>>> itemz = array([('Meaning of life DVD', 42, 3.14), ('Butter', 13,2.72)], dtype=t)
>>> itemz[1]
('Butter', 13, 2.7200000286102295)
# *
>>>adt = np.dtype("a3, 3u8, (3,4)a10") #3 、3 64 、3*4 10 , 8
>>>itemz = np.array([('Butter',[13,2,3],[['d','o','g','s'],['c','a','t','s'],['c','o','w','s']])],dtype=adt)
>>>itemz
(b'But', [13, 2, 3], [[b'd', b'o', b'g', b's'], [b'c', b'a', b't', b's'], [b'c', b'o', b'w', b's']])
기타 서식
#(flexible_dtype, itemsize) , :
>>> dt = np.dtype((void, 10)) #10
>>> dt = np.dtype((str, 35)) # 35
>>> dt = np.dtype(('U', 10)) # 10 unicode string
#(fixed_dtype, shape) ,
>>> dt = np.dtype((np.int32, (2,2))) # 2*2int
: >>>item = np.array([([12,12],[55,56])], dtype=dt)
array([[12, 12], [55, 56]])
>>> dt = np.dtype(('S10', 1)) # 10
>>> dt = np.dtype(('i4, (2,3)f8, f4', (2,3))) # 2*3
#[(field_name, field_dtype, field_shape), …]
>>> dt = np.dtype([('big', '>i4'), ('little', '<i4')])
>>> dt = np.dtype([('R','u1'), ('G','u1'), ('B','u1'), ('A','u1')])
#{‘names': …, ‘formats': …, ‘offsets': …, ‘titles': …, ‘itemsize': …}:
>>> dt= np.dtype({'names':('Date','Close'),'formats':('S10','f8')})
>>> dt = np.dtype({'names': ['r','b'], 'formats': ['u1', 'u1'], 'offsets': [0, 2],'titles': ['Red pixel', 'Blue pixel']})
#(base_dtype, new_dtype):
>>>dt = np.dtype((np.int32, (np.int8, 4))) //base_dtype 4 int8
이상 의 Numpy 데이터 형식 대상(dtype)에 대한 상세 한 설명 은 바로 편집장 이 여러분 에 게 공유 한 모든 내용 입 니 다.참고 하 시기 바 랍 니 다.여러분 들 도 저 희 를 많이 응원 해 주 셨 으 면 좋 겠 습 니 다.
이 내용에 흥미가 있습니까?
현재 기사가 여러분의 문제를 해결하지 못하는 경우 AI 엔진은 머신러닝 분석(스마트 모델이 방금 만들어져 부정확한 경우가 있을 수 있음)을 통해 가장 유사한 기사를 추천합니다:
numpy.array 함수 상해numpy.array(object, dtype=None, copy=True, order='K', subok=False, ndmin=0) 역할: 그룹을 만듭니다. object:배열 그룹 인터페이스의 모든 대상을 공개합...
텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
CC BY-SA 2.5, CC BY-SA 3.0 및 CC BY-SA 4.0에 따라 라이센스가 부여됩니다.