На этом шаге мы рассмотрим это понятие.
Массивы NumPy - однородны (homogenous), то есть типы данных у всех значений массива одинаковы. Ниже представлен неполный список возможных типов данных массивов:
- bool - булев тип данных в Python (1 байт);
- int - целочисленный тип данных в Python (размер по умолчанию - 4 или 8 байт);
- float - тип данных с плавающей точкой в Python (размер по умолчанию - 8 байт);
- complex - тип данных для комплексных чисел в Python (размер по умолчанию - 16 байт);
- np.int8 - целочисленный тип данных (1 байт);
- np.int16 - целочисленный тип данных (2 байта);
- np.int32 - целочисленный тип данных (4 байта);
- np.int64 - целочисленный тип данных (8 байт);
- np.float16 - тип данных с плавающей точкой (2 байта);
- np.float32 - тип данных с плавающей точкой (4 байта);
- np.float64 - тип данных с плавающей точкой (8 байт).
В примере 3.10 показано создание массивов NumPy с различными типами.
Пример 3.10. Массивы NumPy с различными типами
import numpy as np a = np.array([1, 2, 3, 4], dtype=np.int16) print(a) # [1 2 3 4] print(a.dtype) # int16 b = np.array([1, 2, 3, 4], dtype=np.float64) print(b) # [1. 2. 3. 4.] print(b.dtype) # float64
В этом коде два массива, a и b. Тип данных первого из них - np.int16. Числа в этом массиве - типа integer (после числа нет десятичной точки). Если точнее, то результат вывода свойства dtype массива a - int16.
Тип данных второго массива - np.float64. Так что даже если создать массив, в основе которого лежит список целых чисел, NumPy все равно преобразует его тип в np.float64.
Из вышеизложенного можно сделать два важных вывода: NumPy позволяет управлять типом данных, причем типы данных массивов NumPy - однородны.
На следующем шаге мы рассмотрим код и принцип работы поставленной задачи.
