Comprobar el tipo de datos en NumPy

Numpy es un módulo en Python. Originalmente se llama python numérico, pero en resumen, lo pronunciamos como numpy . NumPy es un paquete de procesamiento de arrays de propósito general en python. Proporciona estructuras de datos multidimensionales de alto rendimiento como objetos de array y herramientas para trabajar con estas arrays. Numpy proporciona cálculos más rápidos y eficientes de arrays y arreglos.

NumPy proporciona familiaridad con casi todas las funciones matemáticas. En numpy , estas funciones se llaman función universal ufunc .

A continuación se muestran varios valores para verificar el tipo de datos en NumPy:

Método 1

Verificando el tipo de datos usando dtype .

Ejemplo 1:

# importing numpy library
import numpy as np
 
# creating and initializing an array
arr = np.array([1, 2, 3, 23, 56, 100])
 
# printing the array and checking datatype
print('Array:', arr)
 
print('Datatype:', arr.dtype)

Producción:

Array: [  1   2   3  23  56 100]
Datatype: int32

Ejemplo 2:

import numpy as np
 
# creating and initializing array of string
arr_1 = np.array(['apple', 'ball', 'cat', 'dog'])
 
# printing array and its datatype
print('Array:', arr_1)
 
print('Datatype:', arr_1.dtype)

Producción:

Array: ['a' 'b' 'c' 'd']
Datatype: <U1

Método #2

Crear la array con un tipo de datos definido. Creando una array numpy usando una función de array array() . Esta función toma el argumento dtype que nos permite definir el tipo de datos esperado de los elementos de la array:

Ejemplo 1:

import numpy as np
 
# Creating and initializing array with datatype
arr = np.array([1, 2, 3, 8, 7, 5], dtype='S')
 
# printing array and its datatype
print("Array:", arr)
print("Datatype:", arr.dtype)

Producción:

Array: [b'1' b'2' b'3' b'8' b'7' b'5']
Datatype: |S1

S se utiliza para definir el tipo de datos de string. Usamos i, u, f, S y U para definir varios otros tipos de datos junto con su tamaño.

Ejemplo 2:

import numpy as np
 
# creating and initialising array along
# with datatype and its size 4 i.e. 32bytes
arr = np.array([1, 2, 3, 4], dtype='i4')
 
# printing array and datatype
print('Array:', arr)
print('Datatype:', arr.dtype)

Producción:

Array: [1 2 3 4 8 9 5]
Datatype: int32

En el ejemplo anterior, el tamaño de los elementos enteros es 4, es decir, 32 bytes

Ejemplo 3:

import numpy as np
 
# creating and initialising array along
# with datatype and its size 8 i.e. 64bytes
arr = np.array([1, 2, 3, 4], dtype='i8')
 
# printing array and datatype
print('Array:', arr)
print('Datatype:', arr.dtype)

Producción:

Array: [1 2 3 4 8 9 7]
Datatype: int64

Y en este ejemplo, el tamaño de los elementos es de 64 bytes.

Ejemplo 4:

import numpy as np
 
# creating and initialising array along
# with datatype and its size 4 i.e. 32bytes
arr = np.array([1, 2, 3, 4, 8, 9, 7], dtype='f4')
 
# printing array and datatype
print('Array:', arr)
print('Datatype:', arr.dtype)

Producción:

Array: [1. 2. 3. 4. 8. 9. 7.]
Datatype: float32

En el ejemplo anterior, el tipo de datos es flotante y el tamaño es de 32 bytes.

Ejemplo 5:

import numpy as np
 
# creating and initialising array along
# with datatype and its size 2
arr = np.array([1, 2, 3, 4, 8, 9, 7], dtype='S2')
 
# printing array and datatype
print('Array:', arr)
print('Datatype:', arr.dtype)

Producción:

Array: [b'1' b'2' b'3' b'4' b'8' b'9' b'7']
Datatype: |S2

En el ejemplo anterior, el tipo de datos es una string y el tamaño es 2.