Numpy dtypes

Python er et av de topprangerte og mest brukte programmeringsspråkene over hele verden. Nybegynner, så vel som ekspertutviklere, foretrekker å jobbe på Python-programmeringsspråket over noe annet høyt nivå språk. Det er ikke bare lett å kode, men også lett å lære. De innebygde bibliotekene til Python-programmeringsspråket gjorde det enkelt og enkelt å bruke. Du kan lære mer om Numpy -biblioteket og dettype -metoden fra dette innlegget. Ved hjelp av eksempler vil vi forklare hva numpy dypes er og hvordan de er nyttige for deg i Python -programmer.

Hva er numpy på Python -programmeringsspråket?

Python definerer Numpy som et innebygd bibliotek. Det er ansatt for å operere på matriser. Numpy står for Numerical Python og er et open source-bibliotek levert av Python-programmeringsspråket for å håndtere noen ingeniørfag eller vitenskapsrelaterte praktiske eksempler. Alle funksjonene du trenger å jobbe i matriser, matematikk og lineær algebra, du kommer i Numpy Library. Dessuten bringer det beregningskraften til de fleste språk på høyt nivå som Fortran eller C til Python-programmeringsspråket.

Hva er numpy dypes?

Numpy Library of Python gir en rekke numeriske datatyper. Dypene er et eksempel på det numpy biblioteket som beskriver hvordan en byte av data er representert i minnet. Det er et datatypeobjekt som har unike egenskaper som tolker hvordan en fast hukommelsesblokk er assosiert med en matrise. Korrespondansen til matrisen med hukommelsesblokken avhenger av byterekkefølge, datastørrelse, datatype, feltnavn osv.

Syntaks av numpy dypes

Det er veldig enkelt å bruke numpy dypes i programmene dine. Alt du trenger å gjøre er å huske den grunnleggende syntaksen, som er som følger:

Her representerer “n” det numpy biblioteket som kreves importert til programmet for å bruke dtypesfunksjonen. Inngangsverdien er representert av “DataObject”. Denne verdien vil bli endret til et objekt av datatypen. "Justeringen" representerer hvis polstringen må gjøres mot feltet slik at det blir likt C-Struct. Og til slutt representerer "kopien" -parameteren om en kopi av dtypeobjektet må lages eller ikke.

Eksempel 1

Vi starter med et grunnleggende eksempel på numpy dypes slik at du ikke blir forvirret. Her vil vi definere den grunnleggende arbeidet med Numpy Dtypes -funksjonen. Så la oss skrive noen få kodelinjer for å implementere numpy dtypene. Koden er gitt nedenfor for din referanse:

Importer numpy som npy
n = npy.dtype ('> i4')
trykk ("Byterekkefølgen av n er =", n.byteorder)
trykk ("størrelsen på n er =", n.ItemeSize)
print ("Datatypen n er =", n.Navn)

Programmet starter med "Importer Numpy som NPY"; Denne linjen importerer Numpy -biblioteket i programmet representert av NPY -variabelen. Etter det har vi “n = npy.DTYPES (“> I4”) ”, N er en variabel som inneholder den resulterende verdien fra DTYPES () -funksjonen, og“> I4 ”representerer heltallet i størrelse 4-byte i Big-Endian byte-bestilling. Tegnet “>” og “<” represent big-endian and little-endian encoding, respectively. Three print() statements are used to get the byteorder, itemsize, and name of the NumPy dtypes object. Let us see the screenshot below to check what we get from the NumPy dtypes:

Som du ser i utdataene gitt ovenfor, er bytebestillingen “>” siden vi brukte “>” Big-Endian byte-bestilling. Størrelsen på objektet er 4, og datatypen er “INT32” siden vi definerte byte størrelse og type “i4”, som er et heltall med størrelse 4 byte.

Eksempel 2

La oss nå sjekke datatypen til en matrise. Tidligere har vi sett hvordan Numpy -typen gir datatypen, byteorder og størrelsen på objektet. Så la oss gi en rekke numpy dypes og få disse forekomstene av den matrisen. Referansekoden er gitt nedenfor for din forståelse:

Importer numpy som NP
arr = np.Array ([5, 4, 6, 8, 8, 5, 2])
print ("Datatypen av matrisen er =", arr.dtype)

Igjen importerte vi Numpy -biblioteket til programmet slik at vi kunne bruke dtypesfunksjonen. Etter det erklærte vi en matrise som inneholder 7 typer heltall. Ved hjelp av utskriftserklæringen vil vi vise resultatet av dypene. Se utgangen gitt nedenfor:

Som vi vet var dataene i matrisen heltallstype; Dypene returnerte riktig resultat som INT64.

Eksempel 3

La oss teste dypene med en strengmatrise. I dette eksemplet vil vi gi data fra strengtype og bruke DTYPES -funksjonen for å sjekke datatypen til matrisen. Referansekoden er gitt nedenfor for din veiledning:

Importer numpy som NP
arr = np.Array (['Kindle', 'Genner', 'Specer'])
print ("Datatypen av matrisen er =", arr.dtype)

Her ga vi strengene til matrisen, så utdataene skal beskrive strengdatatypen. Se utgangen nedenfor:

Eksempel 4

Så langt har vi bare sjekket datatypen til objektet ved å bruke Numpy Dtypes -funksjonen. Numpy -typen brukes også til å lage et objekt med den definerte datatypen.

Importer numpy som NP
arr = np.Array ([5, 4, 6, 8, 8, 5, 2], dtype = 's')
Print ("The Array Is =", ARR)
print ("\ n den datatypen av matrise er =", arr.dtype)

Det første og fremst er å importere Numpy -biblioteket, slik at du kan bruke hvilken som helst funksjon på Numpy -biblioteket uten å komme inn på noen feil. En rekke 7 elementer er definert med datatype “S”. Datatypen “S” er en brukerdefinert datatype som forteller den forventede typen data i matrisen.

Eksempel 5

De numpy dtypene kan også brukes til å lage strukturerte data med definerte datatyper. I dette eksemplet vil vi definere hvordan du oppretter en strukturert datatype for et Ndarray -objekt i Python. Referansekoden er gitt nedenfor for din hjelp:

Importer numpy som npy
n = npy.dtype ([('fullname', 'S20'), ('Marks', 'F4'), ('Age', 'i1')])
a = np.Array ([('Kalsoom', 5, 20), ('Daniyal', 8, 18)], dtype = n)
trykk (a)

Først importerte vi Numpy -biblioteket, og deretter definerte vi strukturen for Ndarray -objektet. Strengen “S20” datatype er definert for navnene, float -datatype “F4” er definert for de oppnådde merkene, og til slutt er heltalldatatypen “I1” definert for alderen. Etter det ga vi dataene for Ndarray og trykket dem deretter med en utskrift () uttalelse. Du kan se utdataene fra koden nedenfor:

Konklusjon

Denne artikkelen var en rask oversikt over de numpy dypene på et Python -programmeringsspråk. Vi lærte at Numpy er et open source-bibliotek som er gitt for Python-programmeringsspråket, og Dtypes er en forekomst av Numpy Library. De numpy dypene gir datatyper, størrelse og byte -rekkefølge for det gitte objektet. Vi lærte hvordan vi bruker numpy dtypene i Python -programmer ved hjelp av eksempler.