NumPy 数据类型
numpy 支持的数据类型比 Python 内置的类型要多很多，基本上可以和 C 语言的数据类型对应上，其中部分类型对应为 Python 内置的类型。下表列举了常用 NumPy 基本类型。
| 名称 | 描述 |
|---|---|
| bool_ | 布尔型数据类型（True 或者 False） |
| int_ | 默认的整数类型（类似于 C 语言中的 long，int32 或 int64） |
| intc | 与 C 的 int 类型一样，一般是 int32 或 int 64 |
| intp | 用于索引的整数类型（类似于 C 的 ssize_t，一般情况下仍然是 int32 或 int64） |
| int8 | 字节（-128 to 127） |
| int16 | 整数（-32768 to 32767） |
| int32 | 整数（-2147483648 to 2147483647） |
| int64 | 整数（-9223372036854775808 to 9223372036854775807） |
| uint8 | 无符号整数（0 to 255） |
| uint16 | 无符号整数（0 to 65535） |
| uint32 | 无符号整数（0 to 4294967295） |
| uint64 | 无符号整数（0 to 18446744073709551615） |
| float_ | float64 类型的简写 |
| float16 | 半精度浮点数，包括：1 个符号位，5 个指数位，10 个尾数位 |
| float32 | 单精度浮点数，包括：1 个符号位，8 个指数位，23 个尾数位 |
| float64 | 双精度浮点数，包括：1 个符号位，11 个指数位，52 个尾数位 |
| complex_ | complex128 类型的简写，即 128 位复数 |
| complex64 | 复数，表示双 32 位浮点数（实数部分和虚数部分） |
| complex128 | 复数，表示双 64 位浮点数（实数部分和虚数部分） |
numpy 的数值类型实际上是 dtype 对象的实例，并对应唯一的字符，包括 np.bool_，np.int32，np.float32，等等。
数据类型对象 (dtype)
数据类型对象dtype是numpy.dtype类的实例。它可以使用numpy.dtype创建。到目前为止，我们在numpy数组的例子中只使用了基本的数字数据类型，如int和float。这些numpy数组仅包含同类数据类型。
dtype对象还可以包括基本数据类型的组合。在dtype的帮助下，我们能够创建“结构化数组”（“Structured Arrays”），也称为“记录数组”（“Record Arrays”）。结构化数组使我们能够为每列提供不同的数据类型。它与excel或csv文档的结构相似。（https://blog.csdn.net/bai666ai/article/details/123045117）
数据类型对象（numpy.dtype 类的实例）用来描述与数组对应的内存区域是如何使用，它描述了数据的以下几个方面：：
- 数据的类型（整数，浮点数或者 Python 对象）
- 数据的大小（例如， 整数使用多少个字节存储）
- 数据的字节顺序（小端法或大端法）
- 在结构化类型的情况下，字段的名称、每个字段的数据类型和每个字段所取的内存块的部分
- 如果数据类型是子数组，那么它的形状和数据类型是什么。
字节顺序是通过对数据类型预先设定 < 或 > 来决定的。 < 意味着小端法(最小值存储在最小的地址，即低位组放在最前面)。> 意味着大端法(最重要的字节存储在最小的地址，即高位组放在最前面)。
大端模式 (big-endian)
是指数据的高字节保存在内存的低地址中，而数据的低字节保存在内存的高地址中，这样的存储模式有点儿类似于把数据当作字符串顺序处理：地址由小向大增加，而数据从高位往低位放；这和我们的阅读习惯一致。
小端模式 (little-endian)
是指数据的高字节保存在内存的高地址中，而数据的低字节保存在内存的低地址中，这种存储模式将地址的高低和数据位权有效地结合起来，高地址部分权值高，低地址部分权值低，和我们的逻辑方法一致。
例如一个16bit的short型x，在内存中的地址为0x0010，x的值为0x1122，那么0x11为高字节，0x22为低字节。
对于大端模式，就将0x11放在低地址中，即0x0010中，0x22放在高地址中，即0x0011中。
小端模式，刚好相反。我们常用的X86结构是小端模式，而KEIL C51则为大端模式。很多的ARM，DSP都为小端模式。
dtype 对象是使用以下语法构造的：
numpy.dtype(object, align, copy)
- object - 要转换为的数据类型对象
- align - 如果为 true，填充字段使其类似 C 的结构体。
- copy - 复制 dtype 对象 ，如果为 false，则是对内置数据类型对象的引用。
实例
接下来我们可以通过实例来理解。
标量数据类型
实例 1
import numpy as np # 使用标量类型 dt = np.dtype(np.int32) print(dt)
int32
实例 2
import numpy as np # int8, int16, int32, int64 四种数据类型可以使用字符串 'i1', 'i2','i4','i8' 代替 dt = np.dtype('i4') print(dt)
int32
实例 3
import numpy as np # 字节顺序标注 dt = np.dtype('<i4') ## < 意味着小端法 print(dt)
int32
结构化数据类型
可以把结构化的数组看为二维的表格，表格有若干列（字段），若干行（一行对应一个列表元素）。
下面实例展示结构化数据类型的使用，类型字段和对应的实际类型将被创建。
实例 4
输出结果为：
[('age', 'i1')]
实例 5
[(10,) (20,) (30,)]
实例 6
[10 20 30]
下面的示例定义一个结构化数据类型 student，包含字符串字段 name，整数字段 age，及浮点字段 marks，并将这个 dtype 应用到 ndarray 对象。
实例 7
输出结果为：
[('name', 'S20'), ('age', 'i1'), ('marks', 'f4')]
实例 8
[('abc', 21, 50.0), ('xyz', 18, 75.0)]
示例：
import numpy as np person=np.array([(1,"lisi",23,"man"),(2,"wangwu",26,"woman")], \ dtype=[('id','i4'),('name', 'S20'),('age', 'i4'), ('sex', 'S10')]) print(person['name'])
| 字符 | 对应类型 |
|---|---|
| b | 布尔型 |
| i | (有符号) 整型 |
| u | 无符号整型 integer |
| f | 浮点型 |
| c | 复数浮点型 |
| m | timedelta（时间间隔） |
| M | datetime（日期时间） |
| O | (Python) 对象 |
| S, a | (byte-)字符串 |
| U | Unicode |
| V | 原始数据 (void) |
REF
https://zhuanlan.zhihu.com/p/369993768 （NumPy之:结构化数组详解）
https://vimsky.com/examples/usage/python-numpy.dtype.html
https://www.runoob.com/numpy/numpy-dtype.html
https://blog.csdn.net/bai666ai/article/details/123045117
