DTYPES NUMPY

Python est l'un des langages de programmation les mieux classés et les plus utilisés dans le monde entier. Les novices, ainsi que les développeurs experts, préfèrent travailler dans le langage de programmation Python sur tout autre langage de haut niveau. Ce n'est pas seulement facile à coder mais aussi facile à apprendre. Les bibliothèques intégrées du langage de programmation Python ont rendu la simple et facile à utiliser. Vous pouvez en savoir plus sur la bibliothèque Numpy et sa méthode DTYPE à partir de ce post. Avec l'aide d'exemples, nous expliquerons ce que sont les Dtypes Numpy et comment ils vous sont utiles dans les programmes Python.

Qu'est-ce que Numpy dans le langage de programmation Python?

Python définit Numpy comme une bibliothèque intégrée. Il est employé pour opérer sur des tableaux. Numpy signifie Numerical Python et est une bibliothèque open source fournie par le langage de programmation Python pour faire face à tout exemple pratique d'ingénierie ou de science. Toutes les fonctions dont vous avez besoin pour travailler dans les matrices, les mathématiques et l'algèbre linéaire, vous obtiendrez la bibliothèque Numpy. De plus, il apporte la puissance de calcul de la plupart des langages de haut niveau comme Fortran ou C au langage de programmation Python.

Quels sont les Dtypes Numpy?

La bibliothèque Numpy de Python fournit une variété de types de données numériques. Le DTYPES est un exemple de la bibliothèque Numpy qui décrit comment un octet de données est représenté dans la mémoire. Il s'agit d'un objet de type de données ayant des caractéristiques uniques qui interprètent la façon dont un bloc fixe de mémoire est associé à un tableau. La correspondance du tableau avec le bloc de mémoire dépend de l'ordre des octets, de la taille des données, du type de données, du nom du champ, etc.

Syntaxe de Dtypes Numpy

L'utilisation de Dtypes Numpy dans vos programmes est très facile. Tout ce que vous avez à faire est de vous souvenir de la syntaxe de base, qui est la suivante:

Ici, «n» représente la bibliothèque Numpy qui doit être importée dans le programme pour utiliser la fonction DTYPES. La valeur d'entrée est représentée par le «DataObject». Cette valeur sera transformée en un objet du type de données. «L'alignement» représente si le rembourrage doit être fait sur le terrain afin qu'il devienne similaire à la structure C. Et enfin, le paramètre «Copie» représente si une copie de l'objet DType doit être réalisée ou non.

Exemple 1

Nous commencerons par un exemple de base de Dtypes Numpy afin que vous ne soyez pas confus. Ici, nous définirons le fonctionnement de base de la fonction DTYPES Numpy. Alors écrivons quelques lignes de code pour implémenter les Dtypes Numpy. Le code est donné ci-dessous pour votre référence:

Importer Numpy comme NPY
n = npy.dtype ('> i4')
imprimer ("l'ordre d'octet de n est =", n.ByteOrder)
imprimer ("la taille de n est =", n.itemSize)
imprimer ("Le type de données de n est =", n.nom)

Le programme commence par «Importer Numpy comme NPY»; Cette ligne importe la bibliothèque Numpy dans le programme représenté par la variable NPY. Après cela, nous avons «n = npy.DTYPES ("> i4") ", n est une variable qui contient la valeur résultante de la fonction dTypes (), et"> i4 "représente l'entier de la taille 4 octet dans l'ordre des octets en gros enlan. Le signe «>» et «<” represent big-endian and little-endian encoding, respectively. Three print() statements are used to get the byteorder, itemsize, and name of the NumPy dtypes object. Let us see the screenshot below to check what we get from the NumPy dtypes:

Comme vous le voyez dans la sortie indiquée ci-dessus, l'ordre des octets est «>» puisque nous avons utilisé la commande d'octet Big-Endan «>». La taille de l'objet est de 4, et le type de données est «INT32» car nous avons défini la taille des octets et le type «i4», qui est un entier de taille 4 octets.

Exemple 2

Maintenant, vérifions le type de données d'un tableau. Auparavant, nous avons vu comment le type Numpy fournit le type de données, l'octomètre et la taille de l'objet. Alors, fournissons un tableau aux Dtypes Numpy et obtenons ces instances de ce tableau. Le code de référence est donné ci-dessous pour votre compréhension:

Importer Numpy comme NP
arr = np.tableau ([5, 4, 6, 8, 8, 5, 2])
Print ("Le type de données du tableau est =", arrond.dtype)

Encore une fois, nous avons importé la bibliothèque Numpy dans le programme afin que nous puissions utiliser la fonction DTYPES. Après cela, nous avons déclaré un tableau contenant 7 éléments de type entier. À l'aide de l'instruction PRINT, nous afficherons le résultat des DTypes. Voir la sortie ci-dessous:

Comme nous le savons, les données du tableau étaient de type entier; Les DTypes ont renvoyé le résultat correct comme int64.

Exemple 3

Testons les DTypes avec un tableau de chaînes. Dans cet exemple, nous fournirons les données du type de chaîne et utiliserons la fonction DTYPES pour vérifier le type de données du tableau. Le code de référence est donné ci-dessous pour vos conseils:

Importer Numpy comme NP
arr = np.Array (['Kindle', 'Genner', 'Specer'])
Print ("Le type de données du tableau est =", arrond.dtype)

Ici, nous avons fourni les chaînes au tableau, de sorte que la sortie doit décrire le type de données de chaîne. Voir la sortie ci-dessous:

Exemple 4

Jusqu'à présent, nous n'avons vérifié le type de données de l'objet en utilisant la fonction Numpy Dtypes. Le type Numpy est également utilisé pour créer un objet avec le type de données défini.

Importer Numpy comme NP
arr = np.Array ([5, 4, 6, 8, 8, 5, 2], dtype = 's')
print ("Le tableau est =", arr)
imprimer ("\ nLe type de données du tableau est =", arr.dtype)

La première et avant tout consiste à importer la bibliothèque Numpy afin que vous puissiez utiliser n'importe quelle fonction de la bibliothèque Numpy sans faire d'erreurs. Un tableau de 7 éléments est défini avec le type de données «S». Le type de données «S» est un type de données défini par l'utilisateur qui indique le type attendu de données dans le tableau.

Exemple 5

Les Dtypes Numpy peuvent également être utilisés pour créer des données structurées avec des types de données définies. Dans cet exemple, nous définirons comment créer un type de données structuré pour un objet NDArray dans Python. Le code de référence est donné ci-dessous pour votre aide:

Importer Numpy comme NPY
n = npy.dtype ([(«fullname», «s20»), («marques», «f4»), («âge», «i1»)]))
a = np.Array ([(«Kalsoom», 5, 20), («Daniyal», 8, 18)], dtype = n)
Imprimer (a)

Tout d'abord, nous avons importé la bibliothèque Numpy, puis nous avons défini la structure de l'objet NDArray. Le type de données de chaîne «S20» est défini pour les noms, le type de données de flotteur «F4» est défini pour les marques obtenues, et enfin, le type de données entier «i1» est défini pour l'âge. Après cela, nous avons fourni les données pour le NDARRAY, puis l'avons imprimée avec une instruction PRINT (). Vous pouvez voir la sortie du code ci-dessous:

Conclusion

Cet article était un aperçu rapide des Dtypes Numpy dans un langage de programmation Python. Nous avons appris que Numpy est une bibliothèque open source fournie pour le langage de programmation Python et que DTYPES est une instance de la bibliothèque Numpy. Les Dtypes Numpy fournissent les types de données, la taille et l'ordre des octets de l'objet donné. Nous avons appris à utiliser les programmes Dtypes Numpy dans Python à l'aide d'exemples.