انواع داده های آرایه NumPy

در NumPy، آرایه ها با ساختار ndarray (آرایه با ابعاد دلخواه) ذخیره می شوند. هر آرایه دارای دو ویژگی اصلی است:

• داده ها: مقادیر واقعی که در آرایه ذخیره می شوند.
• نوع داده: نوع داده ای که برای نمایش مقادیر در آرایه استفاده می شود.

NumPy انواع داده مختلفی را برای ذخیره انواع مختلف داده ها ارائه می دهد.

برخی از رایج ترین انواع داده های آرایه NumPy عبارتند از:

1. اعداد صحیح:

• np.int8: اعداد صحیح 8 بیتی (-128 تا 127)
• np.int16: اعداد صحیح 16 بیتی (-32768 تا 32767)
• np.int32: اعداد صحیح 32 بیتی (-2147483648 تا 2147483647)
• np.int64: اعداد صحیح 64 بیتی (-9223372036854775808 تا 9223372036854775807)

2. اعداد اعشاری:

• np.float16: اعداد اعشاری 16 بیتی (تقریباً 5 رقم اعشاری)
• np.float32: اعداد اعشاری 32 بیتی (تقریباً 7 رقم اعشاری)
• np.float64: اعداد اعشاری 64 بیتی (تقریباً 15 رقم اعشاری)

3. اعداد مختلط:

• np.complex64: اعداد مختلط 64 بیتی (بخش واقعی و موهومی)
• np.complex128: اعداد مختلط 128 بیتی (بخش واقعی و موهومی با دقت بیشتر)

4. رشته ها:

• np.string_: رشته های کاراکتر (با طول ثابت)
• np.unicode_: رشته های یونیکد (با طول متغیر)

5. مقادیر منطقی:

• np.bool_: مقادیر True/False

انتخاب نوع داده مناسب:

• نوع داده مناسب را با توجه به نوع داده هایی که می خواهید ذخیره کنید و دقت مورد نیاز خود انتخاب کنید.
• به عنوان مثال، اگر با اعداد صحیح کوچک کار می کنید، np.int8 ممکن است کافی باشد.
• اما اگر با اعداد صحیح بزرگ یا محاسبات اعشاری پیچیده کار می کنید، به np.int64 یا np.float64 نیاز دارید.

تبدیل نوع داده:

می توانید از توابع NumPy مانند np.astype() برای تبدیل نوع داده یک آرایه به نوع داده دیگر استفاده کنید.

import numpy as np

arr = np.array([1, 2, 3, 4, 5])

# تبدیل آرایه به اعداد اعشاری 32 بیتی
float_arr = arr.astype(np.float32)
print(float_arr)  # Output: [1. 2. 3. 4. 5.]

نکات:

• نوع داده پیش فرض برای np.array() float64 است.
• می توانید با استفاده از آرگومان dtype در np.array() نوع داده را هنگام ایجاد آرایه مشخص کنید.
• برای اطلاعات بیشتر در مورد انواع داده های NumPy و توابع مربوطه، به مستندات رسمی NumPy (https://numpy.org/doc/) مراجعه کنید.

با درک انواع داده های مختلف آرایه NumPy و انتخاب نوع مناسب برای نیازهای خود، می توانید از این کتابخانه قدرتمند به طور کارآمد برای ذخیره، دستکاری و تجزیه و تحلیل داده ها در برنامه های پایتون خود استفاده کنید.