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:
Python3
# 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:
Python3
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:
Python3
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:
Python3
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:
Python3
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:
Python3
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:
Python3
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.
Publicación traducida automáticamente
Artículo escrito por neelutiwari y traducido por Barcelona Geeks. The original can be accessed here. Licence: CCBY-SA