一、例項

>>> dt = np.dtype('>i4')  定義一個big-endian int 4*8=32位的資料型別
>>> dt
dtype('>i4')
>>> dt.byteorder    //位元組順序：>為big-edian <為little-endian 
'>'
>>> dt.itemsize    //位元組大小
4
>>> dt.name       //dt型別
'int32'
>>> dt.type is np.int32
True
 

自定義資料型別：
定義dt：

>>> dt = np.dtype([('name', np.str_, 16), ('grades', np.float64, (2,))])   //定義一個數據型別，其中name為16為字串，grades為2個float64的子陣列
>>> dt['name']
dtype('<U16')
>>> dt['grades']
dtype(('<f8',(2,)))

使用：

>>> x = np.array([('Sarah', (8.0, 7.0)), ('John', (6.0, 7.0))], dtype=dt)
>>> x[1]
('John', [6.0, 7.0])
>>> x[1
 
]['grades']
array([ 6.,  7.])
>>> type(x[1])
<type 'numpy.void'>
>>> type(x[1]['grades'])
<type 'numpy.ndarray'>

二、dtype引數

在宣告資料型別時dtype能夠自動將引數轉為相應型別。預設資料型別為float_。
24個內建引數：
24內建Array-scalar types

>>> dt = np.dtype(np.int32)      # 32位int，注意32為位
>>> dt = np.dtype
 
(np.complex128) # 128位複數

numpy.sctypeDict.keys()引數：
存在於numpy.sctypeDict.keys()中的字串引數：

>>> dt = np.dtype('uint32')   # 32位uint，注意32為位
>>> dt = np.dtype('Float64')  # 64位float

python型別引數：

>>> dt = np.dtype(float)   # Python的浮點
>>> dt = np.dtype(int)     # Python的整型
>>> dt = np.dtype(object)  # Python的物件

簡略字元引數：

'b'     boolean
'i'     (signed) integer
'u'     unsigned integer
'f'     floating-point
'c'     complex-floating point
'm'     timedelta
'M'     datetime
'O'     (Python) objects
'S', 'a'    (byte-)string
'U'     Unicode
'V'     raw data (void)

>>> dt = np.dtype('f8')   # 64位浮點，注意8為位元組
>>> dt = np.dtype('c16')  # 128位複數   

帶逗號字串引數：

>>> dt = np.dtype("a3, 3u8, (3,4)a10")  //3位元組字串、3個64位整型子陣列、3*4的10位元組字串陣列，注意8為位元組

其他：
(flexible_dtype, itemsize)第一個引數型別引數大小不固定，第二傳入大小：

>>> dt = np.dtype((void, 10))  #10位
>>> dt = np.dtype((str, 35))   # 35字元字串
>>> dt = np.dtype(('U', 10))   # 10字元unicode string

(fixed_dtype, shape)第一個引數傳入固定大小引數，第二引數傳入個數

>>> dt = np.dtype((np.int32, (2,2)))          # 2*2int子陣列
>>> dt = np.dtype(('S10', 1))                 # 10字元字串
>>> dt = np.dtype(('i4, (2,3)f8, f4', (2,3))) # 2x3結構子陣列

[(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': ['r','g','b','a'],'formats': [uint8, uint8, uint8, uint8]})

>>> dt = np.dtype({'names': ['r','b'], 'formats': ['u1', 'u1'], 'offsets': [0, 2],'titles': ['Red pixel', 'Blue pixel']})

{‘field1’: …, ‘field2’: …, …}：
不推薦使用，可能會產生衝突

>>> dt = np.dtype({'col1': ('S10', 0), 'col2': (float32, 10),'col3': (int, 14)}) //col1在位元組0處，col2在位元組10處，col3在位元組14處

(base_dtype, new_dtype)：

>>> dt = np.dtype((np.int32,{'real':(np.int16, 0),'imag':(np.int16, 2)})  //base_dtype前兩個位元組放置real，後兩個位元組放置imag
>>>dt = np.dtype((np.int32, (np.int8, 4)))  //base_dtype被分成4個int8的子陣列

三、切換型別

使用astype，不可直接更改物件的dtype值

>>> b = np.array([1., 2., 3., 4.])
>>> b.dtype
dtype(‘float64‘)
>>> c = b.astype(int)
>>> c
array([1, 2, 3, 4])
>>> c.shape
(8,)
>>> c.dtype
dtype(‘int32‘)

>>> b
array([ 1.,  2.,  3.,  4.])
>>> b.dtype = ‘int‘
>>> b.dtype
dtype(‘int32‘)
>>> b
array([0, 1072693248,0, 1073741824,0,1074266112,          0, 1074790400])  //陣列長度加倍
>>> b.shape
(8,)

檢視型別取值範圍：

np.finfo(np.float32)

英文版