NumPy 数据类型

NumPy 的 dtype 描述元素在内存中的二进制布局和运算语义。明确 dtype 可以控制精度、取值范围、内存占用以及与文件格式和本地代码的兼容性。

常用 dtype

类别	示例	说明
布尔	np.bool_	真或假
有符号整数	np.int8、np.int32、np.int64	固定位宽整数
无符号整数	np.uint8、np.uint32	非负固定整数
浮点	np.float32、np.float64	IEEE 浮点数
复数	np.complex64、np.complex128	实部和虚部
字符串	U10、S10	固定长度 Unicode 或字节串
日期时间	datetime64、timedelta64	时间点与时间差
结构化类型	字段列表	类似固定布局记录

创建、检查与转换

import numpy as np

a = np.array([1, 2, 3], dtype=np.int16)
b = a.astype(np.float32)
print(a.dtype, a.itemsize)
print(b, b.dtype)

print(np.iinfo(np.int16))
print(np.finfo(np.float32).eps)

dt = np.dtype([("id", "<i4"), ("score", "<f8")])
records = np.array([(1, 91.5), (2, 87.0)], dtype=dt)
print(records["score"])

astype 默认创建新数组。若只需接受并检查输入，可使用 np.asarray(value, dtype=...)；是否复制取决于输入是否已经满足要求。

类型提升与溢出

混合类型运算会根据 NumPy 的类型提升规则选择结果 dtype。固定宽度整数会溢出，且不会自动变成 Python 大整数：

import numpy as np

x = np.array([127], dtype=np.int8)
print(x + np.int8(1))

values = np.array([1, 2, 3], dtype=np.int32)
print((values + 0.5).dtype)

常见错误与工程注意事项

• 金额等十进制定点数据不应盲目使用二进制浮点；根据精度要求使用整数最小单位、decimal 或专用类型。
• float32 可节省一半内存，但累计求和、优化算法和条件较差的问题可能需要 float64。
• np.nan 是浮点值，普通整数数组不能直接表示；可使用掩码、哨兵值或上层 nullable 类型。
• 固定长度字符串会截断超长赋值，创建时应选择足够长度，或在边界处保留 Python 字符串。
• 避免平台相关的裸 int 宽度假设；持久化和网络协议应明确写 int32、int64 与字节序。
• 转换前用范围检查防止静默截断；不能安全转换时可先用 np.can_cast 判断。