Tipi di dati principali

NumPy supporta una varietà di tipi numerici maggiore rispetto a Python, perciò è importante comprendere appieno quali sono i tipi di dati e come vengono definiti, per poter lavorare al meglio con questa libreria.

In questa lezione vedremo quindi l’oggetto dtype alla base della definizione dei tipi di dati in NumPy e i principali tipi di dati definiti. Faremo alcuni semplici esempi pratici.

L’oggetto dtype

Un data type (dtype) object, istanzanziato tramite la classe numpy.dtype, definisce come devono essere interpretati i byte corrispondenti a un elemento dell'array. Descrive inoltre i seguenti aspetti dei dati.

Aspetto	Descrizione
tipi dei dati	come integer, float, Python Object, ecc. Ci sono diversi tipi scalari forniti da NumPy, come numpy.int_ e numpy.floatl_ per la definizione di interi e numeri in virgola mobile, rispettivamente. Cionostante, i tipi scalari non sono oggetti dtype, anche se possono essere usati al posto di uno di questi ogni volta che è necessaria una specifica del tipo di dati in NumPy.
la dimensione del dato	come il numero di byte di un float
l’ordine dei byte	L'ordine dei byte viene deciso anteponendo < o > al tipo di dati dove: < significa che la codifica è little-endian, ossia il byte meno significativo è memorizzato nell'indirizzo più piccolo; > significa che la codifica è big-endian, ossia il byte più significativo è memorizzato nell'indirizzo più piccolo.
il tipo di dato è structured	un tipo di dato creato dall’utente e che può includere array e dtypes, o un aggregato di altri tipi di dati. In particolare, i tipi di dati structured vengono formati creando un tipo di dati il ​​cui campo contiene altri tipi di dati. Ogni campo ha un nome con il quale è possibile accedervi.
il tipo di dato è un sotto-array	può descrivere elementi che sono essi stessi matrici di elementi di un altro tipo di dati e che devono avere una dimensione fissa ed un tipo di dato specifico

Un oggetto dtype può essere costruito utilizzando il costruttore numpy.dtype(). Ad esempio, se volessimo definire un oggetto dtype basato sullo scalare int32 basterà scrivere quanto segue

dt_int32 = np.dtype('int32')

o in modo equivalente utilizzando al posto della stringa 'int32' l’oggetto np.int32

dt_int32 = np.dtype(np.int32)

stampando la variabile otterremo

dtype('int32')

Questa classe offre inoltre diversi attributi come ad esempio numpy.dtype.isbuiltin che permette di sapere se quel dtype con cui si sta lavorando è predefinito nella libreria o meno.

Per esempio, per la nostra variabile dt_int32 avremo

dt_int32.isbuiltin
1

dove il valore 1 indica che il nostro dtype è predefinito nella libreria. Per ulteriori informazioni sugli attributi di questa classe, si rimanda alla documentazione ufficiale.

I Tipi

Come anticipato all’inizio di questa lezione, NumPy supporta una varietà maggiore di tipi numerici rispetto a Python. Di seguito è riportata una semplice tabella riassuntiva che mostra il parallelo tra i tipi di dati in NumPy e quelli in C

Tipo di dato in NumPy	Tipo di dato in C	Descrizione
numpy.bool_	bool	Valore booleano (True|False) memorizzato come byte
numpy.byte	signed char	definito dalla piattaforma
numpy.ubyte	unsigned char	definito dalla piattaforma
numpy.short	short	definito dalla piattaforma
numpy.ushort	unsigned short	definito dalla piattaforma
numpy.intc	int	definito dalla piattaforma
numpy.uintc	unsigned int	definito dalla piattaforma
numpy.int_	long	definito dalla piattaforma
numpy.uint	unsigned long	definito dalla piattaforma
numpy.longlong	long long	definito dalla piattaforma
numpy.ulonglong	unsigned long long	definito dalla piattaforma
numpy.half / numpy.float16	-	float a metà della precisione
numpy.single	float	definito dalla piattaforma
numpy.double	double	definito dalla piattaforma
numpy.longdouble	long double	definito dalla piattaforma
numpy.csingle	float complex	rappresentazione dei numeri complessi, composti da una parte reale e immaginaria con una rappresentazione float
numpy.cdouble	double complex	rappresentazione dei numeri complessi, composti da una parte reale e immaginaria con una rappresentazione double
numpy.clongdouble	long double complex	rappresentazione dei numeri complessi, composti da una parte reale e immaginaria con una precisione long double

Poiché molti di questi hanno definizioni dipendenti dalla piattaforma, viene fornito un set di alias a dimensione fissa come ad esempio:

• numpy.int32
• numpy.int64
• numpy.float32
• numpy.float64 / numpy.float_
• numpy.complex64

I tipi di dati possono essere usati come funzioni per convertire i numeri Python in scalari di array (vedere la sezione scalare degli array per una spiegazione), sequenze di numeri Python in array di quel tipo o come argomenti per la parola chiave dtype che molte funzioni o metodi numpy accettano. Vediamo qualche esempio.

Conversione di un int in float

x = np.float32(1)
1.0

Conversione di un array di int in un array di float

floatarray = np.float_([1,2,4])
array([1., 2., 4.])

Creazione di un array di tre elementi di tipo complex64

array_dtype_complex64 = np.arange(3, dtype=np.complex64)
array([0.+0.j, 1.+0.j, 2.+0.j], dtype=complex64)

Definizione dei tipi tramite stringa

Per semplificare il più possibile la definizione dei dtype è possibile anche sfruttare la nomenclatura basata sul singolo carattere o su una stringa composta da due o più caratteri dove:

• il primo carattere specifica il tipo di dato;
• i caratteri rimanenti specificano il numero di byte per elemento.

In quest’ultimo caso, l’unica eccezione è per il tipo unicode, dove i caratteri successivi al primo vengono interpretati come il numero di caratteri della stringa.

La nomenclatura per il primo carattere è la seguente.

Stringa	Tipo
'?'	boolean
'b'	(signed) byte
'B'	unsigned byte
'i'	(signed) integer
'u'	unsigned integer
'f'	floating-point
'c'	complex-floating point
'm'	timedelta
'M'	datetime
'O'	oggetto Python

Grazie a questa rappresentazione è possibile definire più velocemente un dtype o array di elementi. Vediamo qualche esempio.

Per definire un dtype di tipo int32 basterà

dt = np.dtype('i4')

dove i sta per int e 4 è il numero di byte per elemento. Stampando la variabile otterremo:

dt
dtype('int32')

Per creare un array composto da tre valori di tipo complex128 possiamo definire

complex_array = np.arange(3, dtype=np.dtype('c16'))

il cui valore sarà

array([0.+0.j, 1.+0.j, 2.+0.j])

ed il suo tipo

complex_array.dtype
dtype('complex128')

Gli esempi di questa lezione sono disponibili su GitHub.