人工智能之数据分析 numpy：第四章数组属性和数据类型

人工智能之数据分析 numpy

第四章数组属性和数据类型

文章目录

[人工智能之数据分析 numpy](#人工智能之数据分析 numpy)

前言

[一、NumPy 数组的核心属性](#一、NumPy 数组的核心属性)

[1. `ndim`：数组的维度数（轴的数量）](#1. ndim：数组的维度数（轴的数量）)

[2. `shape`：数组在每个维度上的大小（元组）](#2. shape：数组在每个维度上的大小（元组）)

[3. `size`：数组中元素的总个数](#3. size：数组中元素的总个数)

[4. `dtype`：数组元素的数据类型](#4. dtype：数组元素的数据类型)

[5. `itemsize`：每个元素占用的字节数](#5. itemsize：每个元素占用的字节数)

[6. `nbytes`：整个数组占用的总字节数（= size × itemsize）](#6. nbytes：整个数组占用的总字节数（= size × itemsize）)

[7. `data`：底层数据的内存地址（一般不直接使用）](#7. data：底层数据的内存地址（一般不直接使用）)

[二、NumPy 数据类型（dtype）](#二、NumPy 数据类型（dtype）)

[1. 常见 dtype 类型](#1. 常见 dtype 类型)

[2. 指定 dtype 创建数组](#2. 指定 dtype 创建数组)

[3. 查看和修改 dtype](#3. 查看和修改 dtype)

[4. 自定义结构化 dtype（用于记录型数据）](#4. 自定义结构化 dtype（用于记录型数据）)

三、数据类型字符串表示（简写）

[四、dtype 的属性（了解即可）](#四、dtype 的属性（了解即可）)

五、注意事项与最佳实践

[六、小结表：常用属性与 dtype 对照](#六、小结表：常用属性与 dtype 对照)

后续

资料关注

前言

NumPy 的 ndarray（N 维数组） 不仅是一个高效的多维容器，还具有丰富的属性和灵活的数据类型（dtype）系统。理解这些内容对于高效使用 NumPy 至关重要。

一、NumPy 数组的核心属性

创建一个示例数组：

python 复制代码

import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6]], dtype=np.float32)

1. `ndim`：数组的维度数（轴的数量）

python 复制代码

print(arr.ndim)  # 输出：2

2. `shape`：数组在每个维度上的大小（元组）

python 复制代码

print(arr.shape)  # 输出：(2, 3) → 2行3列

3. `size`：数组中元素的总个数

python 复制代码

print(arr.size)  # 输出：6（= 2 × 3）

4. `dtype`：数组元素的数据类型

python 复制代码

print(arr.dtype)  # 输出：float32

5. `itemsize`：每个元素占用的字节数

python 复制代码

print(arr.itemsize)  # 输出：4（因为 float32 占 4 字节）

6. `nbytes`：整个数组占用的总字节数（= size × itemsize）

python 复制代码

print(arr.nbytes)  # 输出：24（6 × 4）

7. `data`：底层数据的内存地址（一般不直接使用）

python 复制代码

print(arr.data)  # <memory at 0x...>

⚠️ 注意：data 属性返回的是缓冲区对象，不是实际数据内容。要访问数据，请直接使用数组本身。

二、NumPy 数据类型（dtype）

NumPy 支持比 Python 原生更丰富、更精确的数值类型，尤其适合科学计算。

1. 常见 dtype 类型

类型名	描述	对应 C 类型	示例
`bool_`	布尔值（True/False）	bool	`np.bool_`
`int8`,`int16`,`int32`,`int64`	有符号整数	char, short, int, long long	`np.int32`
`uint8`,`uint16`,`uint32`,`uint64`	无符号整数	unsigned char 等	`np.uint8`
`float16`,`float32`,`float64`	浮点数	half, float, double	`np.float64`（默认）
`complex64`,`complex128`	复数	float + float i, double + double i	`np.complex128`

💡 在大多数系统上：

np.int_ ≡ np.int64（64 位系统）

np.float_ ≡ np.float64

2. 指定 dtype 创建数组

python 复制代码

a = np.array([1, 2, 3], dtype='int32')
b = np.zeros(5, dtype=np.float64)
c = np.array([1.5, 2.7], dtype=np.float32)

3. 查看和修改 dtype

查看：
python 复制代码
```
print(a.dtype)  # int32
```
**转换（返回新数组）**：
python 复制代码
```
d = a.astype(np.float64)
print(d.dtype)  # float64
```

⚠️ astype() 会创建副本，除非 dtype 相同。

4. 自定义结构化 dtype（用于记录型数据）

适用于类似表格或结构体的数据：

python 复制代码

dt = np.dtype([('name', 'U10'), ('age', 'i4'), ('weight', 'f4')])
people = np.array([('Alice', 25, 55.5), ('Bob', 30, 70.0)], dtype=dt)

print(people['name'])    # ['Alice' 'Bob']
print(people[0]['age'])  # 25

'U10' 表示 Unicode 字符串，最多 10 个字符
'i4' 表示 4 字节整数（即 int32）
'f4' 表示 4 字节浮点数（float32）

三、数据类型字符串表示（简写）

NumPy 允许使用字符串简写指定 dtype：

字符串	含义
`'i4'`	32 位整数
`'f8'`	64 位浮点数
`'U10'`	最大长度为 10 的 Unicode 字符串
`'bool'`	布尔值
`'c8'`	64 位复数（两个 32 位浮点）

示例：

python 复制代码

x = np.array([1, 2], dtype='f4')  # 等价于 np.float32

四、dtype 的属性（了解即可）

python 复制代码

t = np.dtype('float64')
print(t.name)      # 'float64'
print(t.itemsize)  # 8
print(t.kind)      # 'f'（f=float, i=int, U=unicode string, b=bool 等）

常见 kind 值：

'b': boolean
'i': signed integer
'u': unsigned integer
'f': floating-point
'c': complex floating-point
'U': Unicode string
'O': Python object

五、注意事项与最佳实践

避免不必要的 dtype 转换 ：频繁 astype() 会降低性能。
内存效率 ：使用合适精度的类型（如用 float32 代替 float64 可节省 50% 内存）。
整数溢出 ：注意 int8 范围是 -128~127，超出会回绕（不报错！）。
python 复制代码
```
x = np.array([127], dtype='int8')
print(x + 1)  # [-128] ← 溢出！
```
默认 dtype ：
- 整数列表 → int64（64 位系统）
- 浮点列表 → float64
- 混合（如 [1, 2.0]）→ float64

六、小结表：常用属性与 dtype 对照

属性/操作	说明
`arr.ndim`	维度数量
`arr.shape`	各维度大小
`arr.size`	元素总数
`arr.dtype`	数据类型
`arr.itemsize`	单个元素字节数
`arr.astype(new_dtype)`	类型转换
`np.dtype([...])`	自定义结构化类型

在处理图像（常用 uint8）、深度学习（常用 float32）或金融数据（需高精度 float64），选择合适的 dtype 能显著提升性能和内存效率。

后续

部分代码已经上传至gitee，后续会逐步更新，主要受时间原因限制，当然自己也可以克隆到本地学习拓展。

资料关注

公众号：咚咚王

gitee：https://gitee.com/wy18585051844/ai_learning

《Python编程：从入门到实践》

《利用Python进行数据分析》

《算法导论中文第三版》

《概率论与数理统计（第四版） (盛骤) 》

《程序员的数学》

《线性代数应该这样学第3版》

《微积分和数学分析引论》

《（西瓜书）周志华-机器学习》

《TensorFlow机器学习实战指南》

《Sklearn与TensorFlow机器学习实用指南》

《模式识别（第四版）》

《深度学习 deep learning》伊恩·古德费洛著花书

《Python深度学习第二版(中文版)【纯文本】 (登封大数据 (Francois Choliet)) (Z-Library)》

《深入浅出神经网络与深度学习+(迈克尔·尼尔森（Michael+Nielsen）》

《自然语言处理综论第2版》

《Natural-Language-Processing-with-PyTorch》

《计算机视觉-算法与应用(中文版)》

《Learning OpenCV 4》

《AIGC：智能创作时代》杜雨+&+张孜铭

《AIGC原理与实践：零基础学大语言模型、扩散模型和多模态模型》

《从零构建大语言模型（中文版）》

《实战AI大模型》

《AI 3.0》

人工智能之数据分析 numpy：第四章 数组属性和数据类型