数据类型
原文：Data types
另见：数据类型对象
数组类型和类型之间的转换
NumPy支持的数值类型比Python多得多。这一节会讲述所有可用的类型，以及如何改变数组的数据类型。
所支持的基本类型与C语言中的基本类型紧密相连:
| Numpy类型 | C中的类型 | 描述 |
|---|---|---|
| np.bool | bool | 以字节存储的布尔值（True 或 False） |
| np.byte | signed char | 由平台定义 |
| np.ubyte | unsigned char | 由平台定义 |
| np.short | short | 由平台定义 |
| np.ushort | unsigned short | 由平台定义 |
| np.intc | int | 由平台定义 |
| np.uintc | unsigned int | 由平台定义 |
| np.int_ | long | 由平台定义 |
| np.uint | unsigned long | 由平台定义 |
| np.longlong | long long | 由平台定义 |
| np.ulonglong | unsigned long long | 由平台定义 |
| np.half / np.float16 | - | Half precision float: sign bit, 5 bits exponent, 10 bits mantissa |
| np.single | float | Platform-defined single precision float: typically sign bit, 8 bits exponent, 23 bits mantissa |
| np.double | double | Platform-defined double precision float: typically sign bit, 11 bits exponent, 52 bits mantissa. |
| np.longdouble | long double | Platform-defined extended-precision float |
| np.csingle | float complex | Complex number, represented by two single-precision floats (real and imaginary components) |
| np.cdouble | double complex | Complex number, represented by two double-precision floats (real and imaginary components). |
| np.clongdouble | long double complex | Complex number, represented by two extended-precision floats (real and imaginary components). |
由于其中许多具有平台相关的定义，因此提供了一组固定大小的别名:
| Numpy类型 | C中的类型 | 描述 |
|---|---|---|
| np.int8 | int8_t | Byte (-128 to 127) |
| np.int16 | int16_t | Integer (-32768 to 32767) |
| np.int32 | int32_t | Integer (-2147483648 to 2147483647) |
| np.int64 | int64_t | Integer (-9223372036854775808 to 9223372036854775807) |
| np.uint8 | uint8_t | Unsigned integer (0 to 255) |
| np.uint16 | uint16_t | Unsigned integer (0 to 65535) |
| np.uint32 | uint32_t | Unsigned integer (0 to 4294967295) |
| np.uint64 | uint64_t | Unsigned integer (0 to 18446744073709551615) |
| np.intp | intptr_t | Integer used for indexing, typically the same as ssize_t |
| np.uintp | uintptr_t | Integer large enough to hold a pointer |
| np.float32 | float | - |
| np.float64 / np.float_ | double | Note that this matches the precision of the builtin python float. |
| np.complex64 | float complex | Complex number, represented by two 32-bit floats (real and imaginary components) |
| np.complex128 / np.complex_ | double complex | Note that this matches the precision of the builtin python complex. |
NumPy数值类型是dtype对象的实例，每个都有独特的特点。一旦导入了NumPy：
>>> import numpy as np这些 dtype 都可以通过 np.bool_ ， np.float32 以及其它的形式访问。
更高级的类型不在表中给出，请见结构化数组一节。
有5种基本的数值类型：布尔（bool），整数（int），无符号整数（uint），浮点（float）和复数。其中的数字表示类型所占的位数（即需要多少位代表内存中的一个值）。有些类型，如int和intp，依赖于平台（例如32位和64位机）有不同的位数。在与低级别的代码（如C或Fortran）交互和在原始内存中寻址时应该考虑到这些。
数据类型可以用做函数，来将Python类型转换为数组标量（详细解释请见数组标量一节），或者将Python的数值序列转换为同类型的NumPy数组，或者作为参数传入接受dtype的关键词的NumPy函数或方法中，例如：
>>> import numpy as np
>>> x = np.float32(1.0)
>>> x
1.0
>>> y = np.int_([1,2,4])
>>> y
array([1, 2, 4])
>>> z = np.arange(3, dtype=np.uint8)
>>> z
array([0, 1, 2], dtype=uint8)数组类型也可以由字符代码指定，这主要是为了保留旧的包的向后兼容，如Numeric。一些文档仍旧可能这样写，例如：
>>> np.array([1, 2, 3], dtype='f')
array([ 1., 2., 3.], dtype=float32)我们推荐用 dtype 对象来取代。
要转换数组类型，使用 .astype() 方法（推荐），或者将类型自身用作函数，例如：
>>> z.astype(float)
array([ 0., 1., 2.])
>>> np.int8(z)
array([0, 1, 2], dtype=int8)需要注意的是，上面我们使用Python的浮点对象作为 dtype。NumPy知道int是指np.int_，bool指np.bool_，float指np.float_，complex指np.complex_。其他数据类型在Python中没有对应。
通过查看 dtype 属性来确定数组的类型：
>>> z.dtype
dtype('uint8')dtype 对象还包含有关类型的信息，如它的位宽和字节顺序。数据类型也可以间接用于类型的查询属性，例如检查是否是整数：
>>> d = np.dtype(int)
>>> d
dtype('int32')
>>> np.issubdtype(d, int)
True
>>> np.issubdtype(d, float)
False数组标量
NumPy一般以数组标量返回数组元素（带有相关dtype的标量）。数组标量不同于Python标量，但他们中的大部分可以互换使用（一个主要的例外是2.x之前的Python，其中整数数组标量不能作为列表和元组的下标）。也有一些例外，比如当代码需要标量的一个非常特定的属性，或检查一个值是否是特定的Python标量时。一般来说，总是可以使用相应的Python类型函数（如int，float，complex，str，unicode），将数组标量显式转换为Python标量来解决问题。
使用数组标量的主要优点是，它们保留了数组的类型（Python可能没有匹配的标量类型，如int16）。因此，使用数组标量确保了数组和标量之间具有相同的行为，无论值在不在数组中。NumPy标量也有许多和数组相同的方法。
扩展精度
Python 的浮点数通常都是64位的，几乎相当于 np.float64 。在一些不常见的情况下，更精确的浮点数可能更好。是否可以这样做取决于硬件和开发环境：具体来说，x86 机器提供了80位精度的硬件浮点支持，虽然大多数 C 编译器都以 long double 类型来提供这个功能，但 MSVC （标准的Windows版本）中 long double 和 double 一致。NumPy中可以通过 np.longdouble 来使用编译器的 long double （复数为 np.clongdouble ）。你可以通过 np.finfo(np.longdouble) 来了解你的 numpy 提供了什么。
NumPy 不提供比 C 的 long double 精度更高的 dtype；特别是128位 IEEE 四精度数据类型（Fortran 的 REAL*16）是不能用的。
为了高效的内存对齐，np.longdouble通常填充零位来存储，共96位或128位。哪个更有效取决于硬件环境；通常在32位系统中，他们被填充到96位，而在64位系统，他们通常是填充到128位。np.longdouble 以系统默认的方式填充；而 np.float96 和 np.float128 为那些需要特定填充位的用户提供。尽管名字不同，np.float96 和 np.float128都只提供和np.longdouble相同的精度，也就是说，大多数 x86 机器上面只有80位，标准Windows版本上只有64位。
注意，即使np.longdouble比Python的float精度更高，也很容易失去额外的精度，因为Python经常强行以float来传值。例如，%格式化运算符要求其参数转换成标准的Python类型，因此它不可能保留额外的精度，即使要求更多的小数位数。可以使用1 + np.finfo(np.longdouble).eps来测试你的代码。