简介

Python语言中只定义了特定数据类的一种类型（比如只有一种整数类型，一种浮点类型等）。在不需要关注计算机中数据表示方式的普通应用程序中，这样做很方便。但是，对于科学计算来说，我们需要更加精确的控制类型。

在NumPy中，引入了24种新的Python scalar类型用于更加准确的描述数据。这些类型都是可以直接在NumPy中的数组中使用的，所以也叫Array scalar类型。

本文将会详细讲解这24种scalar类型。

scalar类型的层次结构

先看一个张图，看下scalar类型的层次结构：

上面实线方框括起来的，就是scalar类型。这些标量类型，都可以通过 np.type来访问，比如：

In [130]: np.intc

Out[130]: numpy.int32

细心的小伙伴可能要问了，这不对呀，实线方框括起来的只有22中类型，还有两个类型是什么？

还有两个是代表整数指针的 intp 和 uintp 。

注意，array scalars 类型是不可变的。

我们可以isinstance来对这些数组标量来进行层次结构的检测。

例如，如果val是数组标量对象，则isinstance（val，np.generic）将返回True。如果val是复数值类型，则isinstance（val，np.complexfloating）将返回True。

内置Scalar类型

我们用下面的表来展示内置的Scalar类型和与他们相对应的C类型或者Python类型。最后一列的字符代码是类型的字符表示，在有些情况比如构建dtype中会使用到。

boolean

类型	描述	字符代码
`bool_`	compatible: Python bool	`'?'`
`bool8`	8 bits

Integers

类型	描述	字符代码
`byte`	compatible: C char	`'b'`
`short`	compatible: C short	`'h'`
`intc`	compatible: C int	`'i'`
`int_`	compatible: Python int	`'l'`
`longlong`	compatible: C long long	`'q'`
`intp`	large enough to fit a pointer	`'p'`
`int8`	8 bits
`int16`	16 bits
`int32`	32 bits
`int64`	64 bits

Unsigned integers

类型	描述	字符代码
`ubyte`	compatible: C unsigned char	`'B'`
`ushort`	compatible: C unsigned short	`'H'`
`uintc`	compatible: C unsigned int	`'I'`
`uint`	compatible: Python int	`'L'`
`ulonglong`	compatible: C long long	`'Q'`
`uintp`	large enough to fit a pointer	`'P'`
`uint8`	8 bits
`uint16`	16 bits
`uint32`	32 bits
`uint64`	64 bits

Floating-point numbers

类型	描述	字符代码
`half`		`'e'`
`single`	compatible: C float	`'f'`
`double`	compatible: C double
`float_`	compatible: Python float	`'d'`
`longfloat`	compatible: C long float	`'g'`
`float16`	16 bits
`float32`	32 bits
`float64`	64 bits
`float96`	96 bits, platform?
`float128`	128 bits, platform?

Complex floating-point numbers

类型	描述	字符代码
`csingle`		`'F'`
`complex_`	compatible: Python complex	`'D'`
`clongfloat`		`'G'`
`complex64`	two 32-bit floats
`complex128`	two 64-bit floats
`complex192`	two 96-bit floats, platform?
`complex256`	two 128-bit floats, platform?

Python 对象

类型	描述	字符代码
`object_`	any Python object	`'O'`

对于数组中的对象类型object_来说，存储的数据其实是Python对象的引用，所以说他们的对象类型必须一致。

虽然存储的是引用，但是在取值访问的时候，返回的就是对象本身。

可以看到对于数字类型来说，int,uint,float,complex,后面可以跟上具体的数组，表示特定的长度。

intp 和 uintp 是两个指向整数的指针。

有些类型和Python自带的类型基本上是等价的，事实上这些类型就是继承自Python自带的类型：

Array scalar type	Related Python type
`int_`	`IntType` (Python 2 only)
`float_`	`FloatType`
`complex_`	`ComplexType`
`bytes_`	`BytesType`
`unicode_`	`UnicodeType`

有一个特例就是bool_ ，它和Python的 BooleanType 非常类似，但并不是继承自BooleanType。因为Python的BooleanType 是不允许被继承的。并且两者底层的数据存储长度也是不一样的。

虽然在Python中bool是int的子类。但是在NumPy中 bool_ 并不是 int_ 的子类，bool_ 甚至不是一个number 类型。

在Python 3 中， int_ 不再继承 Python3 中的int了，因为int不再是一个固定长度的整数。

NumPy 默认的数据类型是 float_。

可变长度数据类型

下面的三种数据类型长度是可变的，

类型	描述	字符代码
`bytes_`	compatible: Python bytes	`'S#'`
`unicode_`	compatible: Python unicode/str	`'U#'`
`void`		`'V#'`

字符代码中的 # 表示的是数字。

上面描述的字符代码，为了和Python的其他模块进行兼容，比如struct ，需要进行下面适当的修正：

c -> S1, b -> B, 1 -> b, s -> h, w -> H, 和 u -> I.

本文已收录于 http://www.flydean.com/03-python-numpy-scalar/

最通俗的解读，最深刻的干货，最简洁的教程，众多你不知道的小技巧等你来发现！

欢迎关注我的公众号:「程序那些事」,懂技术，更懂你！

巴特西

NumPy之:标量scalars

简介