一、更多的數據類型

1、Casting

（1） 在混合數據類型的運算中，最終運算結果的數據類型與size更大的數據類型相同。

>>> np.array([1, 2, 3]) + 1.5
array([ 2.5,  3.5,  4.5])

（2） 給數組中的元素賦值，並不能改變整個數組的數據類型。（若把整型數組中的某個元素賦值為浮點型數據，則這個浮點型數據會被截斷為整型）

>>> a = np.array([1, 2, 3])
>>> a.dtype
dtype(‘int64‘)
>>> a[0] = 1.9     #
 
 <-- float is truncated to integer
>>> a
array([1, 2, 3])

（3） 強制類型轉換

>>> a = np.array([1.7, 1.2, 1.6])
>>> b = a.astype(int)  # <-- truncates to integer
>>> b
array([1, 1, 1])

（4） 四舍五入，但並不改變數組的數據類型

>>> a = np.array([1.2, 1.5, 1.6, 2.5, 3.5, 4.5])
 
>>> b = np.around(a)
>>> b                    # still floating-point
array([ 1.,  2.,  2.,  2.,  4.,  4.])
>>> c = np.around(a).astype(int)
>>> c
array([1, 2, 2, 2, 4, 4])

2、Different data type sizes - 不同數據類型的大小

二、結構化數據類型

>>> samples = np.zeros((6,), dtype=[(‘sensor_code‘, ‘S4‘),
...                                 (‘position‘, float), (‘value‘, float)])
>>> samples.ndim
1
>>> samples.shape
(6,)
>>> samples.dtype.names
(‘sensor_code‘, ‘position‘, ‘value‘)

>>> samples[:] = [(‘ALFA‘,   1, 0.37), (‘BETA‘, 1, 0.11), (‘TAU‘, 1,   0.13),
...               (‘ALFA‘, 1.5, 0.37), (‘ALFA‘, 3, 0.11), (‘TAU‘, 1.2, 0.13)]
>>> samples     
array([(‘ALFA‘, 1.0, 0.37), (‘BETA‘, 1.0, 0.11), (‘TAU‘, 1.0, 0.13),
       (‘ALFA‘, 1.5, 0.37), (‘ALFA‘, 3.0, 0.11), (‘TAU‘, 1.2, 0.13)],
      dtype=[(‘sensor_code‘, ‘S4‘), (‘position‘, ‘<f8‘), (‘value‘, ‘<f8‘)])

# 使用列名進行索引
>>> samples[‘sensor_code‘]    
array([‘ALFA‘, ‘BETA‘, ‘TAU‘, ‘ALFA‘, ‘ALFA‘, ‘TAU‘],
      dtype=‘|S4‘)
>>> samples[‘value‘]
array([ 0.37,  0.11,  0.13,  0.37,  0.11,  0.13])
>>> samples[0]    
(‘ALFA‘, 1.0, 0.37)

>>> samples[0][‘sensor_code‘] = ‘TAU‘
>>> samples[0]    
(‘TAU‘, 1.0, 0.37)

# 同時獲取多列
>>> samples[[‘position‘, ‘value‘]]
array([(1.0, 0.37), (1.0, 0.11), (1.0, 0.13), (1.5, 0.37), (3.0, 0.11),
       (1.2, 0.13)],
      dtype=[(‘position‘, ‘<f8‘), (‘value‘, ‘<f8‘)])

# 花式索引同樣適用
>>> samples[samples[‘sensor_code‘] == ‘ALFA‘]    
array([(‘ALFA‘, 1.5, 0.37), (‘ALFA‘, 3.0, 0.11)],
      dtype=[(‘sensor_code‘, ‘S4‘), (‘position‘, ‘<f8‘), (‘value‘, ‘<f8‘)])

更多信息請參考：https://docs.scipy.org/doc/numpy/user/basics.rec.html

https://docs.scipy.org/doc/numpy/reference/arrays.dtypes.html#specifying-and-constructing-data-types

三、maskedarray: dealing with (propagation of) missing data - 蒙面數組：缺失值的處理

對於浮點型數據來說，我們可以使用NaN來處理缺失值，但是面具可以處理任何類型的數據的缺失值。

>>> x = np.ma.array([1, 2, 3, 4], mask=[0, 1, 0, 1])
>>> x
masked_array(data = [1 -- 3 --],
             mask = [False  True False  True],    
       fill_value = 999999)

>>> y = np.ma.array([1, 2, 3, 4], mask=[0, 1, 1, 1])   # 0代表False，表示沒有面具，也就是不會被當作不可用的數據
>>> y
masked_array(data = [1 -- -- --],
             mask = [False  True  True  True],
       fill_value = 999999)

>>> x + y
masked_array(data = [2 -- -- --],
             mask = [False  True  True  True],
       fill_value = 999999)

NumPy學習筆記：3、更加復雜的數組