Einführung in Python-Datentypen – Numpy

Dieser Artikel vermittelt Ihnen relevantes Wissen über Python, in dem hauptsächlich Probleme im Zusammenhang mit Numpy-Datentypen organisiert werden, einschließlich der grundlegenden Datentypen von Numpy, der benutzerdefinierten zusammengesetzten Datentypen von Numpy, der Verwendung von ndarray zum Speichern von Datumsdatentypen usw. Schauen wir uns das an Ich hoffe, dass der Inhalt unten für alle hilfreich sein wird.

【Verwandte Empfehlung: Python3-Video-Tutorial】

1. Grundlegende Datentypen von Numpy

import numpy as np

arr = np.array([1, 2, 3])
print(arr, arr.dtype)

arr = arr.astype('int64')
print(arr, arr.dtype)

arr = arr.astype('float32')
print(arr, arr.dtype)

arr = arr.astype('bool')
print(arr, arr.dtype)

arr = arr.astype('str')
print(arr, arr.dtype)

2. Numpy benutzerdefinierter zusammengesetzter Datentyp

Wenn Sie möchten Um Objekttypen in ndarray zu speichern, empfiehlt Numpy die Verwendung von Tupeln zum Speichern von Attributfeldwerten von Objekten. Das anschließende Hinzufügen von Tupeln zu ndarray bietet eine Syntax, um die Verarbeitung dieser Daten zu erleichtern.

import numpy as np

data = [
    ('zs', [99, 98, 90], 17),
    ('ls', [95, 95, 92], 16),
    ('ww', [97, 92, 91], 18)
]
# 姓名 2 个字符
# 3 个 int32 类型的成绩
# 1 个 int32 类型的年龄
arr = np.array(data, dtype='2str, 3int32, int32')
print(arr)
print(arr.dtype)
# 可以通过索引访问
print(arr[0], arr[0][2])

ndarray stellt Datentypen und Spaltenaliase bereit, die in Form von

definiert werden können. Beim Zugriff auf Daten können Sie über tiefgestellte Indizes oder Spaltennamen darauf zugreifen.

import numpy as np

data = [
    ('zs', [99, 98, 90], 17),
    ('ls', [95, 95, 92], 16),
    ('ww', [97, 92, 91], 18)]# 采用字典定义列名和元素的数据类型arr = np.array(data, dtype={
    # 设置每列的别名
    'names': ['name', 'scores', 'age'],
    # 设置每列数据元素的数据类型
    'formats': ['2str', '3int32', 'int32']})print(arr, arr[0]['age'])# 采用列表定义列名和元素的数据类型arr = np.array(data, dtype=[
    # 第一列
    ('name', 'str', 2),
    # 第二列
    ('scores', 'int32', 3),
    # 第三列
    ('age', 'int32', 1)])print(arr, arr[1]['scores'])# 直接访问数组的一列print(arr['scores'])

3. Verwenden Sie ndarray, um den Datumsdatentyp

import numpy as np

dates = [
    '2011',
    '2011-02',
    '2011-02-03',
    '2011-04-01 10:10:10'
]

ndates = np.array(dates)
print(ndates, ndates.dtype)

# 数据类型为日期类型，采用 64 位二进制进行存储，D 表示日期精确到天
ndates = ndates.astype('datetime64[D]')
print(ndates, ndates.dtype)

# 日期运算
print(ndates[-1] - ndates[0])

1 zu speichern. Die Unterstützung für Datumszeichenfolgen unterstützt 2011/11/11 nicht, verwenden Sie Leerzeichen getrennt Das Datum unterstützt 2011 11 11 nicht, unterstützt jedoch 2011-11-11 2. Zwischen Datum und Uhrzeit muss ein Leerzeichen stehen, um zu trennen 2011-04-01 10 :10:10

3. Zeitschreibformat 10:10:10

4. Geben Sie den Zeichencode ein (Datentypabkürzung)2011/11/11，使用空格进行分隔日期也不支持 2011 11 11，支持 2011-11-11
2.日期与时间之间需要有空格进行分隔 2011-04-01 10:10:10
3.时间的书写格式 10:10:10

numpy stellt den Typ bereit Zeichencode, der eine bequemere Handhabung von Datentypen ermöglichen kann. ?? 1 6/int32/int64

i1/ i2/ I4/I8 f4 / f8

import numpy as np

data = [
    ('zs', [99, 98, 90], 17),
    ('ls', [95, 95, 92], 16),
    ('ww', [97, 92, 91], 18)
]
# 采用字典定义列名和元素的数据类型
arr = np.array(data, dtype={
    # 设置每列的别名
    'names': ['name', 'scores', 'age'],
    # 设置每列数据元素的数据类型
    'formats': ['2U', '3i4', 'i4']
})

print(arr)
print(arr[1]['scores'])
print(arr['scores'])
print(arr.dtype)

import numpy as np

datas = [
    (0, '4室1厅', 298.79, 2598, 86951),
    (1, '3室2厅', 154.62, 1000, 64675),
    (2, '3室2厅', 177.36, 1200, 67659),]arr = np.array(datas, dtype={
    'names': ['index', 'housetype', 'square', 'totalPrice', 'unitPrice'],
    'formats': ['u1', '4U', 'f4', 'i4', 'i4']})print(arr)print(arr.dtype)# 计算 totalPrice 的均值sum_totalPrice = sum(arr['totalPrice'])print(sum_totalPrice/3)

Das obige ist der detaillierte Inhalt vonEinführung in Python-Datentypen – Numpy. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!