在Python中，dtype是NumPy库中用于定义数组元素类型的关键概念。NumPy数字类型是dtype对象的实例，每个对象具有唯一的特征，它主要用于明确或获取数据对象的具体数据类型。本文详细为大家介绍NumPy中的常见dtype类型都有哪些，跟着小编一起了解下吧。
一、NumPy中的常见dtype类型
NumPy支持多种数据类型，主要分为以下几类：
基本类型
int8, int16, int32, int64：有符号整数
uint8, uint16, uint32, uint64：无符号整数
float16, float32, float64：浮点数
complex64, complex128：复数
bool：布尔型(True/False)
str/unicode：字符串(如dtype='U10'表示最大长度为10的Unicode字符串)
结构化类型
用于定义包含多个字段的复合数据类型，例如：
pythondtype = [('name', 'U10'), ('age', 'int32'), ('score', 'float64')]
其他类型
datetime64：日期时间
timedelta64：时间差
object：Python对象(如列表、字典)
二、处理包含多个字段的数组(结构化数组)
结构化数组通过dtype定义字段，适合处理表格型数据(如CSV文件)。以下是操作示例：
1. 创建结构化数组
pythonimport numpy as np# 定义dtype：字段名 + 数据类型dtype = [('name', 'U10'), ('age', 'int32'), ('score', 'float64')]data = [('Alice', 25, 89.5), ('Bob', 30, 92.3)]arr = np.array(data, dtype=dtype)print(arr)# 输出：[('Alice', 25, 89.5) ('Bob', 30, 92.3)]
2. 访问字段
通过字段名访问：
pythonprint(arr['name']) # 输出：['Alice' 'Bob']print(arr['age']) # 输出：[25 30]
通过索引访问：
pythonprint(arr[0]) # 输出：('Alice', 25, 89.5)
3. 修改字段值
pythonarr['score'][0] = 95.0 # 修改Alice的分数print(arr)# 输出：[('Alice', 25, 95. ) ('Bob', 30, 92.3)]
4. 结构化数组的排序与筛选
python# 按年龄排序sorted_arr = np.sort(arr, order='age')print(sorted_arr)# 筛选分数>90的记录mask = arr['score'] > 90print(arr[mask])
5. 保存与加载
python# 保存为.npy文件np.save('data.npy', arr)# 从文件加载loaded_arr = np.load('data.npy')
三、关键注意事项
字段对齐：结构化dtype可能因内存对齐产生填充字节，可用dtype.itemsize查看总字节大小。
性能：结构化数组的访问速度可能低于普通数组，因需解析字段结构。
Pandas替代方案：对于复杂表格操作，建议使用Pandas的DataFrame，它底层基于NumPy但提供更友好的接口。
在Python中，type函数用于返回对象的类型信息。通过结构化数组，NumPy能够高效处理多字段数据，适用于科学计算或数据预处理场景。type函数也可以用于判断NumPy数组和TensorFlow张量等复杂对象的类型。
