标签：logs org 浮点 dir 不能 .sh 相同 row eve
一、更多的数据类型
1、Casting
（1） 在混合数据类型的运算中，最终运算结果的数据类型与size更大的数据类型相同。
>>> np.array([1, 2, 3]) + 1.5
array([ 2.5, 3.5, 4.5])
（2） 给数组中的元素赋值，并不能改变整个数组的数据类型。（若把整型数组中的某个元素赋值为浮点型数据，则这个浮点型数据会被截断为整型）
>>> a = np.array([1, 2, 3]) >>> a.dtype dtype(‘int64‘) >>> a[0] = 1.9 # <-- float is truncated to integer >>> a array([1, 2, 3])
（3） 强制类型转换
>>> a = np.array([1.7, 1.2, 1.6]) >>> b = a.astype(int) # <-- truncates to integer >>> b array([1, 1, 1])
（4） 四舍五入，但并不改变数组的数据类型
>>> a = np.array([1.2, 1.5, 1.6, 2.5, 3.5, 4.5]) >>> b = np.around(a) >>> b # still floating-point array([ 1., 2., 2., 2., 4., 4.]) >>> c = np.around(a).astype(int) >>> c array([1, 2, 2, 2, 4, 4])
2、Different data type sizes - 不同数据类型的大小
| 有符号整型 | int8 | 8 bits |
| int16 | 16 bits | |
| int32 | 32 bits（32位平台上 int 型默认大小） | |
| int64 | 64 bits（64位平台上 int 型默认大小） | |
| 无符号整型 | uint8 | 8 bits |
| uint16 | 16 bits | |
| uint32 | 32 bits | |
| uint64 | 64 bits | |
| 浮点型 | float16 | 16 bits |
| float32 | 32 bits | |
| float64 | 64 bits（float 默认大小） | |
| float96 | 96 bits, platform-dependent（与 np.longdouble 相同） | |
| float128 | 128 bits, platform-dependent（与 np.longdouble 相同） | |
| 复数浮点型 | complex64 | two 32-bit floats |
| complex128 | two 64-bit floats | |
| complex192 | two 96-bit floats, platform-dependent | |
| complex256 | two 128-bit floats, platform-dependent |
二、结构化数据类型
| sensor_code | (4-character string) |
position |
(float) |
value |
(float) |
>>> samples = np.zeros((6,), dtype=[(‘sensor_code‘, ‘S4‘), ... (‘position‘, float), (‘value‘, float)]) >>> samples.ndim 1 >>> samples.shape (6,) >>> samples.dtype.names (‘sensor_code‘, ‘position‘, ‘value‘) >>> samples[:] = [(‘ALFA‘, 1, 0.37), (‘BETA‘, 1, 0.11), (‘TAU‘, 1, 0.13), ... (‘ALFA‘, 1.5, 0.37), (‘ALFA‘, 3, 0.11), (‘TAU‘, 1.2, 0.13)] >>> samples array([(‘ALFA‘, 1.0, 0.37), (‘BETA‘, 1.0, 0.11), (‘TAU‘, 1.0, 0.13), (‘ALFA‘, 1.5, 0.37), (‘ALFA‘, 3.0, 0.11), (‘TAU‘, 1.2, 0.13)], dtype=[(‘sensor_code‘, ‘S4‘), (‘position‘, ‘<f8‘), (‘value‘, ‘<f8‘)]) # 使用列名进行索引 >>> samples[‘sensor_code‘] array([‘ALFA‘, ‘BETA‘, ‘TAU‘, ‘ALFA‘, ‘ALFA‘, ‘TAU‘], dtype=‘|S4‘) >>> samples[‘value‘] array([ 0.37, 0.11, 0.13, 0.37, 0.11, 0.13]) >>> samples[0] (‘ALFA‘, 1.0, 0.37) >>> samples[0][‘sensor_code‘] = ‘TAU‘ >>> samples[0] (‘TAU‘, 1.0, 0.37) # 同时获取多列 >>> samples[[‘position‘, ‘value‘]] array([(1.0, 0.37), (1.0, 0.11), (1.0, 0.13), (1.5, 0.37), (3.0, 0.11), (1.2, 0.13)], dtype=[(‘position‘, ‘<f8‘), (‘value‘, ‘<f8‘)]) # 花式索引同样适用 >>> samples[samples[‘sensor_code‘] == ‘ALFA‘] array([(‘ALFA‘, 1.5, 0.37), (‘ALFA‘, 3.0, 0.11)], dtype=[(‘sensor_code‘, ‘S4‘), (‘position‘, ‘<f8‘), (‘value‘, ‘<f8‘)])
更多信息请参考：https://docs.scipy.org/doc/numpy/user/basics.rec.html
https://docs.scipy.org/doc/numpy/reference/arrays.dtypes.html#specifying-and-constructing-data-types
三、maskedarray: dealing with (propagation of) missing data - 蒙面数组：缺失值的处理
对于浮点型数据来说，我们可以使用NaN来处理缺失值，但是面具可以处理任何类型的数据的缺失值。
>>> x = np.ma.array([1, 2, 3, 4], mask=[0, 1, 0, 1]) >>> x masked_array(data = [1 -- 3 --], mask = [False True False True], fill_value = 999999) >>> y = np.ma.array([1, 2, 3, 4], mask=[0, 1, 1, 1]) # 0代表False，表示没有面具，也就是不会被当作不可用的数据 >>> y masked_array(data = [1 -- -- --], mask = [False True True True], fill_value = 999999) >>> x + y masked_array(data = [2 -- -- --], mask = [False True True True], fill_value = 999999)
标签：logs org 浮点 dir 不能 .sh 相同 row eve
原文地址：http://www.cnblogs.com/steacyMAR/p/7202411.html
