一、更多的数据类型
1、Casting
（1） 在混合数据类型的运算中，最终运算结果的数据类型与size更大的数据类型相同。
>>> np.array([1, 2, 3]) + 1.5
array([ 2.5, 3.5, 4.5])
（2） 给数组中的元素赋值，并不能改变整个数组的数据类型。（若把整型数组中的某个元素赋值为浮点型数据，则这个浮点型数据会被截断为整型）
>>> a = np.array([1, 2, 3])
>>> a.dtype
dtype('int64')
>>> a[0] = 1.9 # <-- float is truncated to integer
>>> a
array([1, 2, 3])
（3） 强制类型转换
>>> a = np.array([1.7, 1.2, 1.6])
>>> b = a.astype(int) # <-- truncates to integer
>>> b
array([1, 1, 1])
（4） 四舍五入，但并不改变数组的数据类型
>>> a = np.array([1.2, 1.5, 1.6, 2.5, 3.5, 4.5])
>>> b = np.around(a)
>>> b # still floating-point
array([ 1., 2., 2., 2., 4., 4.])
>>> c = np.around(a).astype(int)
>>> c
array([1, 2, 2, 2, 4, 4])
2、Different data type sizes - 不同数据类型的大小
| 有符号整型 | int8 | 8 bits |
| int16 | 16 bits | |
| int32 | 32 bits（32位平台上 int 型默认大小） | |
| int64 | 64 bits（64位平台上 int 型默认大小） | |
| 无符号整型 | uint8 | 8 bits |
| uint16 | 16 bits | |
| uint32 | 32 bits | |
| uint64 | 64 bits | |
| 浮点型 | float16 | 16 bits |
| float32 | 32 bits | |
| float64 | 64 bits（float 默认大小） | |
| float96 | 96 bits, platform-dependent（与 np.longdouble 相同） | |
| float128 | 128 bits, platform-dependent（与 np.longdouble 相同） | |
| 复数浮点型 | complex64 | two 32-bit floats |
| complex128 | two 64-bit floats | |
| complex192 | two 96-bit floats, platform-dependent | |
| complex256 | two 128-bit floats, platform-dependent |
二、结构化数据类型
| sensor_code | (4-character string) |
position |
(float) |
value |
(float) |
>>> samples = np.zeros((6,), dtype=[('sensor_code', 'S4'),
... ('position', float), ('value', float)])
>>> samples.ndim
1
>>> samples.shape
(6,)
>>> samples.dtype.names
('sensor_code', 'position', 'value')
>>> samples[:] = [('ALFA', 1, 0.37), ('BETA', 1, 0.11), ('TAU', 1, 0.13),
... ('ALFA', 1.5, 0.37), ('ALFA', 3, 0.11), ('TAU', 1.2, 0.13)]
>>> samples
array([('ALFA', 1.0, 0.37), ('BETA', 1.0, 0.11), ('TAU', 1.0, 0.13),
('ALFA', 1.5, 0.37), ('ALFA', 3.0, 0.11), ('TAU', 1.2, 0.13)],
dtype=[('sensor_code', 'S4'), ('position', '<f8'), ('value', '<f8')])
# 使用列名进行索引
>>> samples['sensor_code']
array(['ALFA', 'BETA', 'TAU', 'ALFA', 'ALFA', 'TAU'],
dtype='|S4')
>>> samples['value']
array([ 0.37, 0.11, 0.13, 0.37, 0.11, 0.13])
>>> samples[0]
('ALFA', 1.0, 0.37)
>>> samples[0]['sensor_code'] = 'TAU'
>>> samples[0]
('TAU', 1.0, 0.37)
# 同时获取多列
>>> samples[['position', 'value']]
array([(1.0, 0.37), (1.0, 0.11), (1.0, 0.13), (1.5, 0.37), (3.0, 0.11),
(1.2, 0.13)],
dtype=[('position', '<f8'), ('value', '<f8')])
# 花式索引同样适用
>>> samples[samples['sensor_code'] == 'ALFA']
array([('ALFA', 1.5, 0.37), ('ALFA', 3.0, 0.11)],
dtype=[('sensor_code', 'S4'), ('position', '<f8'), ('value', '<f8')])
更多信息请参考：https://docs.scipy.org/doc/numpy/user/basics.rec.html
https://docs.scipy.org/doc/numpy/reference/arrays.dtypes.html#specifying-and-constructing-data-types
三、maskedarray: dealing with (propagation of) missing data - 蒙面数组：缺失值的处理
对于浮点型数据来说，我们可以使用NaN来处理缺失值，但是面具可以处理任何类型的数据的缺失值。
>>> x = np.ma.array([1, 2, 3, 4], mask=[0, 1, 0, 1])
>>> x
masked_array(data = [1 -- 3 --],
mask = [False True False True],
fill_value = 999999)
>>> y = np.ma.array([1, 2, 3, 4], mask=[0, 1, 1, 1]) # 0代表False，表示没有面具，也就是不会被当作不可用的数据
>>> y
masked_array(data = [1 -- -- --],
mask = [False True True True],
fill_value = 999999)
>>> x + y
masked_array(data = [2 -- -- --],
mask = [False True True True],
fill_value = 999999)