Data Type های ماژول NumPy در پایتون (Python)

Data Type های ماژول NumPy در پایتون (Python)

زمان مطالعه

5 دقیقه

تعداد بازدید

90

تعداد پرسش ها

0

افزودن به لیست علاقه مندی ها


برچسب ها :


اشتراک گذاری این مطلب
سامان محمدپور
در مورد نویسنده : موفقیت بستگی به تلاش هر شخص داره، هممون ب همون اندازه که تلاش کردیم موفق شدیم.

Data Type های ماژول NumPy در پایتون (Python)

Data Type های ماژول NumPy در پایتون (Python)

زمان مطالعه

5 دقیقه

تعداد بازدید

90

تعداد پرسش ها

0

افزودن به لیست علاقه مندی ها


برچسب ها :


اشتراک گذاری این مطلب

به طور پیش فرض در زبان برنامه نویسی پایتون (Python)، Data Type ها به شکل زیر هستند:

  • String : برای نمایش داده های متنی که درون علامت جفت کوتیشن قرار می گیرند، استفاده می شود، مانند : “ABCD”
  • Integet : برای نمایش اعداد صحیح استفاده می شود، مانند : -1 ، -2 ، -3
  • Float : برای نمایش اعداد واقعی و اعشاری استفاده می شوند، مانند : 1.2  ، 42.42
  • Boolean : برای نمایش درست یا غلط بودن، استفاده می شود.
  • Complex : برای نشان دادن اعداد مختلط، استفاده می شوند، مانند : 1.0 + 2.0j ، 1.5 + 2.5j

Data Type ها در ماژول NumPy

NumPy چند نوع داده اضافی دارد و به انواع داده ها با یک کاراکتر، مانند i برای اعداد صحیح، u برای اعداد بدون علامت  و غیره اشاره می کند.

در زیر لیستی از انواع داده ها و کاراکتر های مورد استفاده در ماژول NumPy آورده شده است:

  • i : integer
  • b : Boolean
  • u : unsign integer
  • f : float
  • c : complex float
  • m : timedelta
  • M : datetime
  • : object
  • S : string
  • U : Unicode string
  • V : void

توجه داشته باشید که مقدار void یک نوع ثابت برای انواع داده های دیگر استفاده می شود. 

شی آرایه NumPy دارای یک ویژگی به نام dtype است که نوع داده ای آرایه را برمی گرداند.

مثال: در زیر نوع داده ای آرایه با ویژگی dtype برگردانده شده است.

 

​
 np
arr = np.array([1, 2, 3, 4])
print(arr.dtype)

​

 

Data Type ها در ماژول NumPy

 

مثال: در زیر نوع داده ای آرایه رشته ای زیر به دست آورده شده است

 


import numpy as np
arr = np.array(['apple', 'banana', 'cherry'])
print(arr.dtype)

 

Data Type ها در ماژول NumPy

 

ایجاد آرایه با نوع داده ای تعریف شده

ما از تابع array () برای ایجاد یک آرایه استفاده می کنیم، این تابع می تواند یک آرگومان اختیاری به نام dtype بگیرد، که به ما اجازه می دهد نوع داده ای مورد انتظار عناصر آرایه را مشخص کنیم.

مثال: در زیر یک آرایه با مشخص کردن نوع داده برای شما آورده ایم

 


arr = np.array([1, 2, 3, 4], dtype='S')
print(arr)
print(arr.dtype)

 

ایجاد آرایه با نوع داده ای تعریف شده

 

برای i، u، f، S و U می توان اندازه را نیز تعیین کرد.

مثال: در زیر یک آرایه با 4 مقدار با نوع داده ای عدد صحیح ایجاد کرده ایم

 


arr = np.array([1, 2, 3, 4], dtype='i4')
print(arr)
print(arr.dtype)


ایجاد آرایه با نوع داده ای تعریف شده

 

اگر یک مقدار قابلیت تبدیل نداشته باشد، چه کار باید کرد؟

اگر یک نوع داده ای که عناصر آن قابلیت تبدیل به آن نوع مشخص شده را نداشته باشند، ایجاد کنیم، NumPy یک ValueError ایجاد می کند.

نکته: در پایتون زمانی خطای ValueError ایجاد می شود که عناصر آرایه با نوع داده ای آن همخوانی نداشته باشند.

مثال: در زیر یک خطا ایجاد شده است، چون مقدار ‘a’ را نمی توان به عدد صحیح تبدیل کرد.

 


arr = np.array(['a', '2', '3'], dtype='i')

 

اگر یک مقدار قابلیت تبدیل نداشته باشد، چه کار باید کرد؟

 

تبدیل نوع داده در آرایه های موجود

بهترین راه برای تغیر نوع داده ای یک آرایه موجود، ایجاد یک کپی از آرایه با متد astype () است.

تابع astype () یک کپی از آرایه موجود ایجاد می کند و به شما امکان تغییر نوع داده ای آن را از طریق پارامتر می دهد.

نوع داده را می توان با استفاده از یک رشته مشخص کرد، مانند ‘f’ برای float، ‘i’ برای اعداد صحیح و غیره.

یا می توانید نوع داده را صریحا اعلام کنید، مانند int برای int، float برای float و غیره.

مثال: در زیر با استفاده از ‘i’ به عنوان پارامتر، نوع داده ای float را به integer تغییر داده ایم.

 

np
arr = np.array([1.1, 2.1, 3.1])
newarr = arr.astype('i')
print(newarr)
print(newarr.dtype)

تبدیل نوع داده در آرایه های موجود

 

مثال: در زیر با استفاده از ‘int’ به عنوان پارامتر، نوع داده ای float را به integer تغییر داده ایم.

 


arr = np.array([1.1, 2.1, 3.1])
newarr = arr.astype(int)
print(newarr)
print(newarr.dtype)

 

تبدیل نوع داده در آرایه های موجود

 

مثال: در زیر نوع داده ای را از عددی به بولین تغییر داده ایم

 


arr = np.array([1, 0, 3])
newarr = arr.astype(bool)
print(newarr)
print(newarr.dtype)

 

تبدیل نوع داده در آرایه های موجود

 

خب به پایان یکی دیگر از مقالات ماژول NumPy رسیدیم و با نوع های داده ای در این ماژول آشنا شدیم.

در مقاله بعدی به بررسی تفاوت میان copy و view در ماژول NumPy می پردازیم.

 

سامان محمدپور
در مورد نویسنده : موفقیت بستگی به تلاش هر شخص داره، هممون ب همون اندازه که تلاش کردیم موفق شدیم.


پرسش و پاسخ
0
دوره پیشنهادی
دوره پیشنهادی