NumPy: أنواع البيانات dtype

np.int32    # عدد صحيح بإشارة 32 بت
np.float64  # نقطة عائمة 64 بت
np.bool_    # منطقي
np.str_     # سلسلة نصية يونيكود
np.object_  # كائن Python

import numpy as np

a = np.array([1, 2, 3])
print(a.dtype)       # int64 (على منصات 64 بت)
print(a.dtype.kind)  # 'i'
print(a.dtype.itemsize)  # 8

> **المخرجات:** قم بتشغيل NumPy 2.x في بيئة Python المحلية لديك لرؤية مخرجات ndarray. خادم Piston لا يحتوي على NumPy مثبتًا مسبقًا — قم بتثبيته محليًا (`pip install numpy`) وقارن. قد تختلف القيم الفعلية حسب إصدار NumPy والبذرة العشوائية.

import numpy as np

---
## 4. بكائن نوع NumPy
a = np.array([1, 2, 3], dtype=np.float32)

---
## 5. بسلسلة نصية
b = np.array([1, 2, 3], dtype='float32')

---
## 6. برمز حرف واحد
c = np.array([1, 2, 3], dtype='f4')  # float32: 'f' + 4 بايت

import numpy as np

---
## 7. astype يعيد مصفوفة جديدة بـ dtype الهدف
a = np.array([1, 2, 3], dtype=np.int32)
b = a.astype(np.float64)  # [1. 2. 3.]

---
## 8. الفيضان: القيم التي تتجاوز النطاق تلتف
c = np.array([100, 200, 300], dtype=np.uint8)
---
## 9. [100, 200, 44]  — 300 - 256 = 44

---
## 10. التحويل من عائم إلى صحيح يقصّر
d = np.array([1.9, 2.5, 3.1])
print(d.astype(np.int32))  # [1 2 3]

import numpy as np

---
## 11. تعريف نوع مهيكل
dt = np.dtype([('name', 'U10'), ('age', 'i4'), ('salary', 'f8')])

---
## 12. إنشاء مصفوفة بنوع مهيكل
employees = np.array([
    ('Alice', 30, 75000.0),
    ('Bob', 25, 62000.0),
    ('Charlie', 35, 85000.0)
], dtype=dt)

print(employees['name'])   # ['Alice' 'Bob' 'Charlie']
print(employees['salary'].mean())  # 74000.0

> **المخرجات:** قم بتشغيل NumPy 2.x في بيئة Python المحلية لديك لرؤية مخرجات ndarray. خادم Piston لا يحتوي على NumPy مثبتًا مسبقًا — قم بتثبيته محليًا (`pip install numpy`) وقارن. قد تختلف القيم الفعلية حسب إصدار NumPy والبذرة العشوائية.

import numpy as np

---
## 13. نطاق int8: -128 إلى 127
vals = np.array([100, 120, 127, 128, 130, 200], dtype=np.int8)
print("int8 values:", vals)
---
## 14. [100  120  127 -128 -126  -56]

---
## 15. نطاق uint8: 0 إلى 255
vals_u = np.array([200, 255, 256, 300], dtype=np.uint8)
print("uint8 values:", vals_u)
---
## 16. [200 255   0  44]

> **المخرجات:** قم بتشغيل NumPy 2.x في بيئة Python المحلية لديك لرؤية مخرجات ndarray. خادم Piston لا يحتوي على NumPy مثبتًا مسبقًا — قم بتثبيته محليًا (`pip install numpy`) وقارن. قد تختلف القيم الفعلية حسب إصدار NumPy والبذرة العشوائية.

> **المخرجات:** قم بتشغيل NumPy 2.x في بيئة Python المحلية لديك لرؤية مخرجات ndarray. خادم Piston لا يحتوي على NumPy مثبتًا مسبقًا — قم بتثبيته محليًا (`pip install numpy`) وقارن. قد تختلف القيم الفعلية حسب إصدار NumPy والبذرة العشوائية.

import numpy as np

dt = np.dtype([('name', 'U10'), ('dept', 'U15'), ('salary', 'f8'), ('years', 'i2')])

data = np.array([
    ('Alice', 'Engineering', 95000, 5),
    ('Bob', 'Marketing', 72000, 3),
    ('Charlie', 'Engineering', 110000, 8),
    ('Diana', 'Sales', 68000, 2),
], dtype=dt)

---
## 17. استعلام حسب القسم
eng = data[data['dept'] == 'Engineering']
print("Engineering avg salary:", eng['salary'].mean())

---
## 18. ترتيب حسب الراتب
sorted_data = np.sort(data, order='salary')
print("Top earner:", sorted_data[-1]['name'], sorted_data[-1]['salary'])

> **المخرجات:** قم بتشغيل NumPy 2.x في بيئة Python المحلية لديك لرؤية مخرجات ndarray. خادم Piston لا يحتوي على NumPy مثبتًا مسبقًا — قم بتثبيته محليًا (`pip install numpy`) وقارن. قد تختلف القيم الفعلية حسب إصدار NumPy والبذرة العشوائية.

import numpy as np

---
## 21. مقارنة استخدام الذاكرة لأنواع مختلفة
arr_int64 = np.ones(1000000, dtype=np.int64)
arr_float32 = np.ones(1000000, dtype=np.float32)
arr_int8 = np.ones(1000000, dtype=np.int8)

print(f"int64:  {arr_int64.nbytes / 1e6:.1f} MB")
print(f"float32: {arr_float32.nbytes / 1e6:.1f} MB")
print(f"int8:   {arr_int8.nbytes / 1e6:.1f} MB")

---
## 22. تحويل بين الأنواع
converted = arr_float32.astype(np.int32)
print(f"Converted dtype: {converted.dtype}")

# تم التنفيذ بنجاح