数据类型
另见
数组类型之间的转换
NumPy 支持比 Python 更多种类的数字类型。本节显示了哪些可用，以及如何修改数组的数据类型。
支持的原始类型与 C 中的原始类型紧密相关：
| Numpy 的类型 | C 的类型 | 描述 |
|---|---|---|
| np.bool | bool | 存储为字节的布尔值（True 或 False） |
| np.byte | signed char | 平台定义 |
| np.ubyte | unsigned char | 平台定义 |
| np.short | short | 平台定义 |
| np.ushort | unsigned short | 平台定义 |
| np.intc | int | 平台定义 |
| np.uintc | unsigned int | 平台定义 |
| np.int_ | long | 平台定义 |
| np.uint | unsigned long | 平台定义 |
| np.longlong | long long | 平台定义 |
| np.ulonglong | unsigned long long | 平台定义 |
| np.half / np.float16 | 半精度浮点数：符号位，5 位指数，10 位尾数 | |
| np.single | float | 平台定义的单精度浮点数：通常为符号位，8 位指数，23 位尾数 |
| np.double | double | 平台定义的双精度浮点数：通常为符号位，11 位指数，52 位尾数。 |
| np.longdouble | long double | 平台定义的扩展精度浮点数 |
| np.csingle | float complex | 复数，由两个单精度浮点数（实部和虚部）表示 |
| np.cdouble | double complex | 复数，由两个双精度浮点数（实部和虚部）表示。 |
| np.clongdouble | long double complex | 复数，由两个扩展精度浮点数（实部和虚部）表示。 |
由于其中许多都具有依赖于平台的定义，因此提供了一组固定大小的别名：
| Numpy 的类型 | C 的类型 | 描述 |
|---|---|---|
| np.int8 | int8_t | 字节（-128 到 127） |
| np.int16 | int16_t | 整数（-32768 至 32767） |
| np.int32 | int32_t | 整数（-2147483648 至 2147483647） |
| np.int64 | int64_t | 整数（-9223372036854775808 至 9223372036854775807） |
| np.uint8 | uint8_t | 无符号整数（0 到 255） |
| np.uint16 | uint16_t | 无符号整数（0 到 65535） |
| np.uint32 | uint32_t | 无符号整数（0 到 4294967295） |
| np.uint64 | uint64_t | 无符号整数（0 到 18446744073709551615） |
| np.intp | intptr_t | 用于索引的整数，通常与索引相同 ssize_t |
| np.uintp | uintptr_t | 整数大到足以容纳指针 |
| np.float32 | float | |
| np.float64 / np.float_ | double | 请注意，这与内置 python float 的精度相匹配。 |
| np.complex64 | float complex | 复数，由两个 32 位浮点数（实数和虚数组件）表示 |
| np.complex128 / np.complex_ | double complex | 请注意，这与内置 python 复合体的精度相匹配。 |
NumPy 数值类型是dtype（数据类型）对象的实例，每个对象都具有独特的特征。使用后导入 NumPy
>>> import numpy as np在 dtypes 可作为np.bool_，np.float32等等。
上表中未列出的高级类型将在结构化数组中进行探讨。
有 5 种基本数字类型表示布尔值（bool），整数（int），无符号整数（uint）浮点（浮点数）和复数。名称中带有数字的那些表示该类型的位大小（即，在内存中表示单个值需要多少位）。某些类型（例如 int 和 intp）具有不同的位，取决于平台（例如，32 位与 64 位计算机）。在与寻址原始内存的低级代码（例如 C 或 Fortran）连接时，应考虑这一点。
数据类型可以用作将 python 数转换为数组标量的函数（请参阅数组标量部分以获得解释），将 python 数字序列转换为该类型的数组，或作为许多 numpy 函数或方法接受的 dtype 关键字的参数。一些例子：
>>> 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)数组类型也可以通过字符代码引用，主要是为了保持与较旧的包（如 Numeric）的向后兼容性。有些文档可能仍然引用这些，例如：
>>> np.array([1, 2, 3], dtype='f')
array([ 1., 2., 3.], dtype=float32)我们建议使用 dtype 对象。
要转换数组的类型，请使用 .astype() 方法（首选）或类型本身作为函数。例如：
>>> z.astype(float)
array([ 0., 1., 2.])
>>> np.int8(z)
array([0, 1, 2], dtype=int8)注意，在上面，我们使用 Python 的 float 对象作为 dtype。NumPy 的人都知道int是指np.int_，bool意味着np.bool_，这float是np.float_和complex是np.complex_。其他数据类型没有 Python 等价物。
要确定数组的类型，请查看 dtype 属性：
>>> z.dtype
dtype('uint8')dtype 对象还包含有关类型的信息，例如其位宽和字节顺序。数据类型也可以间接用于查询类型的属性，例如它是否为整数：
>>> d = np.dtype(int)
>>> d
dtype('int32')
>>> np.issubdtype(d, np.integer)
True
>>> np.issubdtype(d, np.floating)
False数组标量
NumPy 通常将数组元素作为数组标量返回（带有关联 dtype 的标量）。数组标量与 Python 标量不同，但在大多数情况下它们可以互换使用（主要的例外是早于 v2.x 的 Python 版本，其中整数数组标量不能作为列表和元组的索引）。有一些例外，例如当代码需要标量的非常特定的属性或者它特定地检查值是否是 Python 标量时。通常，存在的问题很容易被显式转换数组标量到 Python 标量，采用相应的 Python 类型的功能（例如，固定的int，float，complex，str，unicode）。
使用数组标量的主要优点是它们保留了数组类型（Python 可能没有匹配的标量类型，例如int16）。因此，使用数组标量可确保数组和标量之间的相同行为，无论值是否在数组内。NumPy 标量也有许多与数组相同的方法。
溢出错误
当值需要比数据类型中的可用内存更多的内存时，NumPy 数值类型的固定大小可能会导致溢出错误。例如，numpy.power 对于 64 位整数正确计算 100 * 10 * 8，但对于 32 位整数给出 1874919424（不正确）。
>>> np.power(100, 8, dtype=np.int64)
10000000000000000
>>> np.power(100, 8, dtype=np.int32)
1874919424NumPy 和 Python 整数类型的行为在整数溢出方面存在显着差异，并且可能会使用户期望 NumPy 整数的行为类似于 Python int。与 NumPy 不同，Python 的大小int 是灵活的。这意味着 Python 整数可以扩展以容纳任何整数并且不会溢出。
NumPy 分别提供numpy.iinfo并numpy.finfo验证 NumPy 整数和浮点值的最小值或最大值：
>>> np.iinfo(np.int) # Bounds of the default integer on this system.
iinfo(min=-9223372036854775808, max=9223372036854775807, dtype=int64)
>>> np.iinfo(np.int32) # Bounds of a 32-bit integer
iinfo(min=-2147483648, max=2147483647, dtype=int32)
>>> np.iinfo(np.int64) # Bounds of a 64-bit integer
iinfo(min=-9223372036854775808, max=9223372036854775807, dtype=int64)如果 64 位整数仍然太小，则结果可能会转换为浮点数。浮点数提供了更大但不精确的可能值范围。
>>> np.power(100, 100, dtype=np.int64) # Incorrect even with 64-bit int
0
>>> np.power(100, 100, dtype=np.float64)
1e+200扩展精度
Python 的浮点数通常是 64 位浮点数，几乎等同于 np.float64 。在某些不寻常的情况下，使用更精确的浮点数可能会很有用。这在 numpy 中是否可行取决于硬件和开发环境：具体地说，x86 机器提供 80 位精度的硬件浮点，虽然大多数 C 编译器提供这一点作为它们的 long double 类型，MSVC(Windows 构建的标准)使 long double 等同于 double (64 位)。NumPy 使编译器的 long double 作为 np.longdouble 可用(而 np.clongdouble 用于复数)。您可以使用 np.finfo(np.longdouble) 找出 numpy 提供了什么。
NumPy 不提供比 C 的 long double 更高精度的 dtype；特别是 128 位 IEEE 四精度数据类型(FORTRAN 的 REAL*16 )不可用。
为了有效地进行内存的校准，np.longdouble通常以零位进行填充，即 96 或者 128 位， 哪个更有效率取决于硬件和开发环境；通常在 32 位系统上它们被填充到 96 位，而在 64 位系统上它们通常被填充到 128 位。np.longdouble被填充到系统默认值；为需要特定填充的用户提供了np.float96和np.float128。尽管它们的名称是这样叫的, 但是np.float96和np.float128只提供与np.longdouble一样的精度, 即大多数 x86 机器上的 80 位和标准 Windows 版本中的 64 位。
请注意，即使np.longdouble提供比 python float更多的精度，也很容易失去额外的精度，因为 python 通常强制值通过float传递值。例如，%格式操作符要求将其参数转换为标准 python 类型，因此即使请求了许多小数位，也不可能保留扩展精度。使用值1 + np.finfo(np.longdouble).eps测试你的代码非常有用。