انواع داده در NumPy
کتابخانه NumPy در پایتون یکی از قدرتمندترین ابزارها برای محاسبات عددی و علمی است. هسته اصلی این کتابخانه بر پایه آرایه‌های چندبعدی (ndarray) ساخته شده که عملکرد بهینه‌ای را ارائه می‌دهد. یکی از ویژگی‌های کلیدی NumPy، پشتیبانی از انواع داده متنوع است که به شما امکان کنترل دقیق بر روی حافظه و محاسبات را می‌دهد.
دسته‌بندی انواع داده در NumPy
انواع داده در NumPy به چند دسته اصلی تقسیم می‌شوند:
- اعداد صحیح (Integer)
- اعداد اعشاری (Float)
- اعداد مختلط (Complex)
- مقادیر بولی (Boolean)
- رشته‌ها (String)
- داده‌های زمانی (Datetime)
| نوع داده |
کد اختصاری |
توضیحات |
| عدد صحیح ۸ بیتی |
int8 |
محدوده -128 تا 127 |
| عدد اعشاری ۶۴ بیتی |
float64 |
دقت دوبرابری |
| مقدار بولی |
bool_ |
True یا False |
انتخاب نوع داده مناسب می‌تواند تأثیر چشمگیری بر عملکرد و مصرف حافظه برنامه‌های علمی داشته باشد. همیشه سعی کنید کوچکترین نوع داده مناسب را انتخاب کنید.
مقایسه انواع داده
در NumPy می‌توانید انواع داده را به سه روش مختلف مشخص کنید:
- استفاده از کدهای اختصاری مانند 'i4' برای عدد صحیح ۳۲ بیتی
- استفاده از نام کامل مانند float32
- استفاده از اشیاء dtype مانند np.dtype('int32')
برای مثال، هنگام ایجاد یک آرایه می‌توانید نوع داده را مشخص کنید:
import numpy as np
arr = np.array([1, 2, 3], dtype='float64')
برای اطلاعات بیشتر درباره پیاده‌سازی این مفاهیم می‌توانید به منبع مراجعه کنید.
نکات کلیدی در انتخاب نوع داده
- انواع داده با پسوند _ مانند int_ معادل نوع پیش‌فرض پلتفرم هستند
- انواع داده با حروف بزرگ مانند INT32 هم معتبر هستند
- می‌توانید با متد astype() نوع داده آرایه‌ها را تغییر دهید
- برای محاسبات علمی، معمولاً از float64 استفاده می‌شود
درک عمیق انواع داده NumPy به شما کمک می‌کند برنامه‌های کارآمدتری بنویسید و از منابع سیستم بهینه‌تر استفاده کنید. این ویژگی به همراه قابلیت‌های دیگر NumPy، آن را به ابزاری ضروری برای محاسبات علمی تبدیل کرده است.
