NumPy: dtype 数据类型

Q: 何时用 float64？

科学计算、金融计算、需要高精度的场景用 float64。默认 np.array([1.0]) 创建的就是 float64。如果精度不够，数值误差会快速累积。

Q: astype 会修改原数组吗？

不会。 .astype() 返回一个新数组，原数组不变。NumPy 中绝大多数操作都不修改原数组（inplace 操作需要显式指定，如 a *= 2 ）。

Q: np.iinfo 和 np.finfo 有什么区别？

np.iinfo 查询整数类型的范围（min/max）， np.finfo 查询浮点类型的范围和精度（min/max/eps）。两者都需要传入 dtype 作为参数。

dtype 数据类型

1. 你将学到

dtype 体系与分类
指定 dtype 创建数组
类型转换与溢出风险
结构化 dtype
dtype 对内存、精度、速度的权衡

2. 故事

Alice 训练模型时准确率从 95% 暴跌到 12%。排查发现：float64 转 int8 时超过 127 的值全部溢出变负数。"dtype 不是小问题——选错类型，数据就毁了。"

3. 知识点

(1) dtype 体系

NumPy 的 dtype（data type）是数组中每个元素的类型描述。每个 ndarray 都有一个 .dtype 属性。

TEXT 📖 仅展示

np.int32    # 32-bit signed integer
np.float64  # 64-bit floating point
np.bool_    # boolean
np.str_     # unicode string
np.object_  # Python object

dtype 包含两个字段：

字段	含义	示例
`kind`	类型类别	`'i'`=int, `'f'`=float, `'u'`=uint, `'b'`=bool
`itemsize`	单个元素字节数	`4` for int32

PYTHON

import numpy as np

a = np.array([1, 2, 3])
print(a.dtype)       # int64 (on 64-bit platforms)
print(a.dtype.kind)  # 'i'
print(a.dtype.itemsize)  # 8

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

⚠️ 注意： 以下代码需在本地 Python 环境中运行。

(2) 整数类型对比

类型	范围	字节	别名
`int8`	-128 ~ 127	1	—
`int16`	-32768 ~ 32767	2	—
`int32`	-2147483648 ~ 2147483647	4	`intp` (32-bit)
`int64`	-9223372036854775808 ~ 9223372036854775807	8	`intp` (64-bit)
`uint8`	0 ~ 255	1	—
`uint16`	0 ~ 65535	2	—
`uint32`	0 ~ 4294967295	4	—
`uint64`	0 ~ 18446744073709551615	8	—

(3) 浮点类型对比

类型	精度（有效位）	范围	字节
`float16`	~3 位十进制	±65504	2
`float32`	~7 位十进制	±3.4e38	4
`float64`	~15 位十进制	±1.8e308	8
`longdouble`	~18-19 位十进制	平台相关	8/12/16

(4) 指定 dtype 创建数组

PYTHON

import numpy as np

a = np.array([1, 2, 3], dtype=np.int8)
b = np.array([1.0, 2.5], dtype=np.float32)
c = np.arange(10, dtype=np.uint8)
d = np.zeros(5, dtype=np.complex128)
e = np.array([1, 2, 3], dtype='f4')  # string shorthand for float32

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

⚠️ 注意： 以下代码需在本地 Python 环境中运行。

常用字符串简写：

简写	等价	简写	等价
`'i1'`	int8	`'u1'`	uint8
`'i2'`	int16	`'u2'`	uint16
`'i4'`	int32	`'u4'`	uint32
`'f4'`	float32	`'f8'`	float64

(5) 类型转换与溢出风险

.astype() 用于类型转换，不会修改原数组，而是返回新数组。

PYTHON

import numpy as np

a = np.array([1.7, 2.3, 3.9])
b = a.astype(np.int32)  # truncates toward zero
print(b)  # [1 2 3]
print(a)  # [1.7 2.3 3.9]  -- original unchanged

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

⚠️ 注意： 以下代码需在本地 Python 环境中运行。

类型转换风险表：

转换方向	风险	说明
float → int	精度丢失	小数部分被截断
int64 → int8	溢出	超出范围则回绕
float64 → float32	精度丢失	有效位从 15 降至 7
int → float	精度丢失	大整数可能不精确
uint → int	符号错误	高位被解释为符号位

(6) 溢出行为

NumPy 整数溢出不会报错，而是回绕（wrap around）：

PYTHON

import numpy as np

a = np.array([127], dtype=np.int8)
a[0] = a[0] + 1
print(a[0])  # -128  (wrapped!)

b = np.array([200], dtype=np.uint8)
print(b)  # [200] OK for uint8

c = np.array([300 % 256], dtype=np.uint8)
print(c)  # [44]  300 mod 256 安全写法（NumPy 2.x 默认拒绝越界）

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

⚠️ 注意： 以下代码需在本地 Python 环境中运行。

用 np.iinfo() 和 np.finfo() 查询范围：

PYTHON

import numpy as np

print(np.iinfo(np.int8))    # min=-128, max=127
print(np.iinfo(np.uint16))  # min=0, max=65535
print(np.finfo(np.float32)) # min=-3.4028235e+38, max=3.4028235e+38
print(np.finfo(np.float32).eps)  # 1.1920929e-07  machine epsilon

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

⚠️ 注意： 以下代码需在本地 Python 环境中运行。

(7) dtype 自动提升链

当不同 dtype 的数组运算时，NumPy 会自动提升到更"宽"的类型：

graph LR
    A[bool] --> B[int8]
    B --> C[int16]
    C --> D[int32]
    D --> E[int64]
    E --> F[float16]
    F --> G[float32]
    G --> H[float64]
    I[uint8] --> J[uint16]
    J --> K[uint32]
    K --> L[uint64]
    A --> I
    L --> D

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

PYTHON

import numpy as np

a = np.array([1], dtype=np.int8)
b = np.array([1], dtype=np.float32)
c = a + b
print(c.dtype)  # float32

d = np.array([1], dtype=np.int32)
e = np.array([1], dtype=np.int64)
f = d + e
print(f.dtype)  # int64

print(np.promote_types(np.int8, np.float32))  # float32
print(np.promote_types(np.uint8, np.int8))    # int16

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

⚠️ 注意： 以下代码需在本地 Python 环境中运行。

(8) 结构化 dtype

结构化 dtype 允许数组中每个元素包含多个命名字段，类似 C 结构体或数据库行。

PYTHON

import numpy as np

dt = np.dtype([
    ('name', 'U20'),   # unicode string, max 20 chars
    ('age', 'i4'),     # 32-bit int
    ('score', 'f4'),   # 32-bit float
])

students = np.array([
    ('Alice', 20, 92.5),
    ('Bob', 22, 88.0),
], dtype=dt)

print(students['name'])   # ['Alice' 'Bob']
print(students['age'])    # [20 22]
print(students[0])        # ('Alice', 20, 92.5)
print(students[0]['score'])  # 92.5

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

⚠️ 注意： 以下代码需在本地 Python 环境中运行。

结构化 vs 普通 dtype：

特性	普通 dtype	结构化 dtype
每元素字段数	1	多个
字段命名	无	有
内存布局	连续同类型	按字段排列
访问方式	索引	字段名 + 索引
典型用途	数值计算	表格/记录数据

▶ 示例

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

：不同 dtype 内存对比（难度⭐）

PYTHON

import numpy as np

n = 1_000_000

a_int8 = np.zeros(n, dtype=np.int8)
a_int64 = np.zeros(n, dtype=np.int64)
a_float32 = np.zeros(n, dtype=np.float32)
a_float64 = np.zeros(n, dtype=np.float64)

print(f"int8    : {a_int8.nbytes / 1024 / 1024:.2f} MB")
print(f"int64   : {a_int64.nbytes / 1024 / 1024:.2f} MB")
print(f"float32 : {a_float32.nbytes / 1024 / 1024:.2f} MB")
print(f"float64 : {a_float64.nbytes / 1024 / 1024:.2f} MB")

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

⚠️ 注意： 以下代码需在本地 Python 环境中运行。

输出：

TEXT 📖 仅展示

int8    : 0.95 MB
int64   : 7.63 MB
float32 : 3.81 MB
float64 : 7.63 MB

▶ 示例

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

：int8 溢出（难度⭐⭐）

PYTHON

import numpy as np

import numpy as np
import warnings
warnings.simplefilter("ignore")

# 安全写法：先把范围限制在 int8 范围内，再转 int8
a = np.array([120, 125, 127, ((128 + 256) % 256) - 256, ((130 + 256) % 256) - 256], dtype=np.int8)
# 128 wraps to -128, 130 wraps to -126
print(a)  # [ 120  125  127 -128 -126]

# NumPy 2.x 直接传入越界值会抛 OverflowError；按上面方式绕开

info = np.iinfo(np.int8)
print(f"int8 range: [{info.min}, {info.max}]")
# int8 range: [-128, 127]

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

⚠️ 注意： 以下代码需在本地 Python 环境中运行。

▶ 示例

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

：float32 vs float64 精度（难度⭐⭐）

PYTHON

import numpy as np

pi_32 = np.float32(np.pi)
pi_64 = np.float64(np.pi)

print(f"float32 pi: {pi_32:.20f}")
print(f"float64 pi: {pi_64:.20f}")

# float32 has ~7 decimal digits of precision
# float64 has ~15 decimal digits of precision

a = np.array([0.1], dtype=np.float32)
b = np.array([0.1], dtype=np.float64)

print(f"float32 0.1: {a[0]:.25f}")
print(f"float64 0.1: {b[0]:.25f}")
# float32 loses precision after ~7 digits

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

⚠️ 注意： 以下代码需在本地 Python 环境中运行。

▶ 示例

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

：结构化数组（难度⭐⭐⭐）

PYTHON

import numpy as np

dt = np.dtype([
    ('id', 'i4'),
    ('x', 'f8'),
    ('y', 'f8'),
    ('label', 'U10'),
])

points = np.array([
    (1, 1.5, 2.3, 'A'),
    (2, 3.1, 4.7, 'B'),
    (3, 0.8, 1.2, 'A'),
], dtype=dt)

# Access fields
print(points['x'])       # [1.5 3.1 0.8]
print(points['label'])   # ['A' 'B' 'A']

# Filter
mask = points['label'] == 'A'
print(points[mask])  # rows where label is 'A'

# Compute on field
print(f"Mean x: {points['x'].mean():.2f}")

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

⚠️ 注意： 以下代码需在本地 Python 环境中运行。

▶ 示例

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

：astype 数据丢失（难度⭐⭐）

PYTHON

import numpy as np

# float -> int: truncation
a = np.array([1.9, 2.1, -3.7, 0.5])
b = a.astype(np.int32)
print(f"Original : {a}")
print(f"As int32 : {b}")  # [ 1  2 -3  0]

# int64 -> int8: overflow
c = np.array([100, 200, 300], dtype=np.int64)
d = c.astype(np.int8)
print(f"Original : {c}")
print(f"As int8  : {d}")  # [100  -56   44]

# float64 -> float32: precision loss
e = np.array([1.123456789012345], dtype=np.float64)
f = e.astype(np.float32)
print(f"float64: {e[0]:.16f}")
print(f"float32: {f[0]:.16f}")

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

⚠️ 注意： 以下代码需在本地 Python 环境中运行。

4. 综合示例

▶ 示例

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

：学生成绩表——结构化 dtype 实战（难度⭐⭐⭐）

PYTHON

import numpy as np

# Step 1: Define structured dtype
student_dt = np.dtype([
    ('name', 'U20'),
    ('age', 'i4'),
    ('score', 'f4'),
])

# Step 2: Create array with 5 records
students = np.array([
    ('Alice',   20, 95.5),
    ('Bob',     21, 87.0),
    ('Charlie', 19, 92.3),
    ('Carol',   22, 78.8),
    ('David',   20, 88.5),
], dtype=student_dt)

# Step 3: Access and analyze
print("All names:", students['name'])
print("All scores:", students['score'])
print(f"Average score: {students['score'].mean():.2f}")
print(f"Max score: {students['score'].max():.1f}")

# Step 4: Filter
high_mask = students['score'] >= 90
print("High scorers:", students[high_mask]['name'])

# Step 5: Type conversion & precision check
scores_64 = students['score'].astype(np.float64)
print(f"float32 score[0]: {students['score'][0]:.10f}")
print(f"float64 score[0]: {scores_64[0]:.10f}")

# Step 6: Check dtype info
print(f"Score dtype: {students['score'].dtype}")
print(f"Score itemsize: {students['score'].dtype.itemsize} bytes")
print(f"Array total size: {students.nbytes} bytes")

# Step 7: Safe conversion - age to uint8 (0-255 range is fine for ages)
age_uint8 = students['age'].astype(np.uint8)
age_info = np.iinfo(np.uint8)
print(f"uint8 range: [{age_info.min}, {age_info.max}]")
print(f"Ages as uint8: {age_uint8}")

# Step 8: Verify no data loss
assert np.array_equal(students['age'], age_uint8.astype(np.int32))
print("Age conversion: no data loss confirmed")

TEXT 📖 仅展示

> **输出：** 在本地 Python 环境运行 NumPy 2.x，输出 ndarray 数组内容。Piston 服务器未预装 NumPy，请在本机安装（`pip install numpy`）后实操对照。实际数值可能因 NumPy 版本、随机种子略有差异。

⚠️ 注意： 以下代码需在本地 Python 环境中运行。

❓ 常见问题

Q int8 能存多大？

A int8 范围为 -128 到 127，共 256 个值。uint8 范围为 0 到 255。超出范围的值会回绕（wrap around），不会报错。

Q float32 够用于深度学习吗？

A 大多数深度学习场景下 float32 足够，GPU 对 float32 有硬件加速。混合精度训练中甚至用 float16 做前向、float32 做梯度累加。一般不建议用 float64 训练模型。

Q 何时用 float64？

A 科学计算、金融计算、需要高精度的场景用 float64。默认 np.array([1.0]) 创建的就是 float64。如果精度不够，数值误差会快速累积。

Q 结构化数组有什么用？

A 结构化数组适合存储表格型数据（如数据库查询结果、CSV 读取内容），每个元素有多个命名字段。比 Python 列表更省内存，比 Pandas 更轻量。

Q astype 会修改原数组吗？

A 不会。.astype() 返回一个新数组，原数组不变。NumPy 中绝大多数操作都不修改原数组（inplace 操作需要显式指定，如 a *= 2）。

Q np.iinfo 和 np.finfo 有什么区别？

A np.iinfo 查询整数类型的范围（min/max），np.finfo 查询浮点类型的范围和精度（min/max/eps）。两者都需要传入 dtype 作为参数。

📖 小节

本节学习了 NumPy dtype 数据类型体系：

dtype 体系 — bool、int、uint、float、complex、str、object 等类别，每种有不同位宽
指定 dtype — 创建数组时通过 dtype 参数指定，支持类型对象和字符串简写
类型转换 — .astype() 返回新数组，转换方向需注意精度丢失和溢出风险
溢出行为 — 整数溢出静默回绕，用 np.iinfo() / np.finfo() 提前检查范围
结构化 dtype — 多字段命名类型，适合表格数据，用字段名访问
自动提升 — 运算时 NumPy 自动提升到更宽类型，np.promote_types() 可查询

选对 dtype = 省内存 + 防溢出 + 保精度。dtype 不是小问题——选错类型，数据就毁了。

📝 作业

测试各整数范围：用 np.iinfo() 打印 int8、int16、int32、int64 的最小值和最大值。创建一个 int16 数组，尝试存入 40000，观察溢出结果。
创建产品结构化数组：定义结构化 dtype 包含字段：product_name（U30）、price（float32）、stock（int32）。创建 3 条产品记录，查询价格最高的产品名。
float32/float64 计算 π 精度差异：分别用 np.float32(np.pi) 和 np.float64(np.pi) 计算 π 的前 20 位小数，对比两者与 math.pi 的绝对误差，验证 float32 有效位数约 7 位。

Web-Tutorial 技术团队

由多位开发者共同维护的编程教程平台。每篇教程由对应领域的开发者编写和审核，确保内容准确可靠。如发现任何问题，欢迎向我们反馈。

关于我们

NumPy: dtype 数据类型

dtype 数据类型

1. 你将学到

2. 故事

3. 知识点

(1) dtype 体系

(2) 整数类型对比

(3) 浮点类型对比

(4) 指定 dtype 创建数组

(5) 类型转换与溢出风险

(6) 溢出行为

(7) dtype 自动提升链

(8) 结构化 dtype

▶ 示例

▶ 示例

▶ 示例

▶ 示例

▶ 示例

4. 综合示例

▶ 示例

❓ 常见问题

📖 小节

📝 作业

🙏 帮我们做得更好