Python基础学习——Numpy包（1、数据类型及数组创建）_python 创建数组 astype

1.数据类型及数组创建

1.1常量

1.2数据类型

1.2.1数据类型对象（numpy.dtype类的实例）

dtype对象的构造：

class dtype(object):
    def __init__(self, obj, align=False, copy=False):
        pass

使用时：numpy.dtype(object,align,copy)

• object：要转换成为的数据类型
• 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

下表列举了常用 numpy 基本类型。

每个内建类型都有一个唯一定义它的字符代码，如“i4”简写可用来代替numpy.int32，如下：

numpy.dtype（）： 返回数据结构中数据元素的类型，其中的元素类型必须统一，因此list、dict没有dtype，np.array有。

numpy.dtype.itemsize（）：此类数据类型对象的元素大小（字节）

numpy.array.astype（）：改变array中数据元素的类型

import numpy as np
 
a = np.dtype('b1')
print(a.type)  # <class 'numpy.bool_'>
print(a.itemsize)  # 1
 
a = np.dtype('i1')
print(a.type)  # <class 'numpy.int8'>
print(a.itemsize)  # 1
a = np.dtype('i2')
print(a.type)  # <class 'numpy.int16'>
print(a.itemsize)  # 2
a = np.dtype('i4')
print(a.type)  # <class 'numpy.int32'>
print(a.itemsize)  # 4
a = np.dtype('i8')
print(a.type)  # <class 'numpy.int64'>
print(a.itemsize)  # 8
 
a = np.dtype('u1')
print(a.type)  # <class 'numpy.uint8'>
print(a.itemsize)  # 1
a = np.dtype('u2')
print(a.type)  # <class 'numpy.uint16'>
print(a.itemsize)  # 2
a = np.dtype('u4')
print(a.type)  # <class 'numpy.uint32'>
print(a.itemsize)  # 4
a = np.dtype('u8')
print(a.type)  # <class 'numpy.uint64'>
print(a.itemsize)  # 8
 
a = np.dtype('f2')
print(a.type)  # <class 'numpy.float16'>
print(a.itemsize)  # 2
a = np.dtype('f4')
print(a.type)  # <class 'numpy.float32'>
print(a.itemsize)  # 4
a = np.dtype('f8')
print(a.type)  # <class 'numpy.float64'>
print(a.itemsize)  # 8
 
a = np.dtype('S')
print(a.type)  # <class 'numpy.bytes_'>
print(a.itemsize)  # 0
a = np.dtype('S3')
print(a.type)  # <class 'numpy.bytes_'>
print(a.itemsize)  # 3
 
a = np.dtype('U3')
print(a.type)  # <class 'numpy.str_'>
print(a.itemsize)  # 12

1.2.2结构化数据类型（详见1.4.4利用数据结构来创建数组）

类型字段和对应实际类型将被创建。

import numpy as np
 
#创建结构化数据类型
dt = np.dtype([('age',np.int8)])
print(dt)       #[('age','i1')]
 
#将数据类型应用于ndarray对象
a = np.array([(10,),(20,),(30,)],dtype=dt)
print(a)        #[(10,) (20,) (30,)]
 
#类型字段名可以用于存取实际的age列
print(a['age']) #[10 20 30]
 
#定义一个结构化数据类型student，并将这个dtype应用到ndarray
student = np.dtype([('name','S20'),('age','i1'),('mark','f4')])
b = np.array([('leah',21,90),('mike',18,75)],dtype=student)
print(b)          #[(b'leah', 21, 90.) (b'mike', 18, 75.)]
print(b['name'])  #[b'leah' b'mike']
print(b['age'])   #[21 18]
print(b['mark'])  #[90. 75.]

问题1：为什么将数据类型改成‘S3’后，字符串前面加了个b？

import numpy as np
 
dt = np.dtype('S3')
a = np.array([('asd',)],dt)
print(a)
 
 
result：[[b'asd']]

1.3时间日期和时间增量

1.3.1 datetime64基础

在 numpy 中，我们很方便地将字符串转换成时间日期类型datetime64，datetime64是带单位的日期时间类型，其单位如下：

注意：

• 1秒 = 1000 毫秒（milliseconds）
• 1毫秒 = 1000 微秒（microseconds）

【例1】从字符串创建 datetime64 类型时（格式为‘year-month-day time’），默认情况下，numpy 会根据字符串自动选择对应的单位。

import numpy as np
 
a = np.datetime64('2020-03-01')
print(a, a.dtype)  # 2020-03-01 datetime64[D]
 
a = np.datetime64('2020-03')
print(a, a.dtype)  # 2020-03 datetime64[M]
 
a = np.datetime64('2020-03-08 20:00:05')
print(a, a.dtype)  # 2020-03-08T20:00:05 datetime64[s]
 
a = np.datetime64('2020-03-08 20:00')
print(a, a.dtype)  # 2020-03-08T20:00 datetime64[m]
 
a = np.datetime64('2020-03-08 20')
print(a, a.dtype)  # 2020-03-08T20 datetime64[h]

【例2】从字符串创建 datetime64 类型时，可以强制指定使用的单位。

import numpy as np
 
a = np.datetime64('2020-03', 'D')
print(a, a.dtype)  # 2020-03-01 datetime64[D]
 
a = np.datetime64('2020-03', 'Y')
print(a, a.dtype)  # 2020 datetime64[Y]
 
print(np.datetime64('2020-03') == np.datetime64('2020-03-01'))  # True
print(np.datetime64('2020-03') == np.datetime64('2020-03-02'))  #False

由上例可以看出，2019-03 和 2019-03-01所表示的其实是同一个时间，年-月-日-时-分-秒默认为第一个月第一天00:00:00。 事实上，如果两个 datetime64 对象具有不同的单位，它们可能仍然代表相同的时刻。并且从较大的单位（如月份）转换为较小的单位（如天数）是安全的。

【例3】从字符串创建 datetime64 数组时，如果单位不统一，则一律转化成其中最小的单位。

import numpy as np
 
a = np.array(['2020-03', '2020-03-08', '2020-03-08 20:00'], dtype='datetime64')
print(a, a.dtype)
# ['2020-03-01T00:00' '2020-03-08T00:00' '2020-03-08T20:00'] datetime64[m]

【例4】使用arange()创建 datetime64 数组，用于生成日期范围，精确至最小单位。

import numpy as np
 
a = np.arange('2020-08-01', '2020-08-10', dtype=np.datetime64)         #精确到天
print(a)
# ['2020-08-01' '2020-08-02' '2020-08-03' '2020-08-04' '2020-08-05'
#  '2020-08-06' '2020-08-07' '2020-08-08' '2020-08-09']                #左闭右开
                                                                  
print(a.dtype)  # datetime64[D]
 
a = np.arange('2020-08-01 20:00', '2020-08-10', dtype=np.datetime64)   #精确到分钟
print(a)
# ['2020-08-01T20:00' '2020-08-01T20:01' '2020-08-01T20:02' ...
#  '2020-08-09T23:57' '2020-08-09T23:58' '2020-08-09T23:59']
print(a.dtype)  # datetime64[m]
 
a = np.arange('2020-05', '2020-12', dtype=np.datetime64)               #精确到月
print(a)
# ['2020-05' '2020-06' '2020-07' '2020-08' '2020-09' '2020-10' '2020-11']
print(a.dtype)  # datetime64[M]

1.3.2datetime64 和 timedelta64 运算 

【例1】日期时间和时间增量的加减法。timedelta64 表示两个 datetime64 之间的差。datetime64可做减法，减完后的数据类型为timedelta64形式。timedelta64 也是带单位的，并且和相减运算中的两个 datetime64 中的较小的单位保持一致。datetime64也可以与timedelta64相加。

import numpy as np
 
a = np.datetime64('2020-03-08') - np.datetime64('2020-03-07')
b = np.datetime64('2020-03-08') - np.datetime64('2020-03-07 08:00')
c = np.datetime64('2020-03-08') - np.datetime64('2020-03-07 23:00', 'D')
#c强制转换单位为Day，不足一天按一天算，（向上取整）
 
print(a, a.dtype)  # 1 days timedelta64[D]
print(b, b.dtype)  # 960 minutes timedelta64[m]
print(c, c.dtype)  # 1 days timedelta64[D]
 
#加法是datetime64+timedelta64，需要标明时间增量的单位
a = np.datetime64('2020-03') + np.timedelta64(20, 'D')
b = np.datetime64('2020-06-15 00:00') + np.timedelta64(12, 'h')
 
print(a, a.dtype)  # 2020-03-21 datetime64[D]
print(b, b.dtype)  # 2020-06-15T12:00 datetime64[m]

【例2】时间增量的单位转换。生成 timedelta64时，要注意年（'Y'）和月（'M'）这两个单位无法和其它单位进行运算（一年有几天？一个月有几天、几个小时？这些都是不确定的，只有如一天有24小时这样固定的才能转换）。

import numpy as np
 
a = np.timedelta64(1, 'Y')
b = np.timedelta64(a, 'M')
print(a)  # 1 years
print(b)  # 12 months        #year和month能转换
 
c = np.timedelta64(1, 'h')
d = np.timedelta64(c, 'm')   #hour和minutes能转换
print(c)  # 1 hours
print(d)  # 60 minutes
 
print(np.timedelta64(a, 'D'))
# TypeError: Cannot cast NumPy timedelta64 scalar from metadata [Y] to [D] according to the rule 'same_kind'
 
print(np.timedelta64(b, 'D'))
# TypeError: Cannot cast NumPy timedelta64 scalar from metadata [M] to [D] according to the rule 'same_kind'

【例3】timedelta64 的运算，timedelta间可进行转换量固定的单位间的运算，精确到最小单位。 

import numpy as np
 
a = np.timedelta64(1, 'Y')
b = np.timedelta64(6, 'M')
c = np.timedelta64(1, 'W')
d = np.timedelta64(1, 'D')
e = np.timedelta64(5, 'D')
 
print(a)  # 1 years
print(b)  # 6 months
print(a + b)  # 18 months
print(a - b)  # 6 months
print(2 * a)  # 2 years
print(a / b)  # 2.0
print(c / d)  # 7.0
print(c % e)  # 2 days

【例4】numpy.datetime64 与 datetime.datetime 可以相互转换

import numpy as np
import datetime
 
dt = datetime.datetime(year=2020, month=6, day=1, hour=20, minute=5, second=30)
dt64 = np.datetime64(dt, 's')
print(dt64, dt64.dtype)
# 2020-06-01T20:05:30 datetime64[s]
 
dt2 = dt64.astype(datetime.datetime)
print(dt2, type(dt2))
# 2020-06-01 20:05:30 <class 'datetime.datetime'>

1.3.3工作日功能

numpy.busday_offset(dates, offsets, roll='raise', weekmask='1111100', holidays=None, busdaycal=None, out=None)

• dates，日期，格式为‘year-month-day’
• offsets，偏移量，滚动到下一个工作日。问题2：偏移量是如何作用的？先roll后offsets
• roll：{'raise', 'nat', 'forward', 'following', 'backward', 'preceding', 'modifiedfollowing', 'modifiedpreceding'}，默认为raise，forward与backward常用。
• weekmask：七个布尔值，用来定义哪些天是工作日。

【例1】如果当前是工作日，计算后面第offsets个工作日，如果当前日期为非工作日，默认报错。可以指定forward或backward规则来避免报错。（一个是向以后取第一个有效的工作日，一个是向以前取第一个有效的工作日）。可以指定偏移量为 0 来获取当前日期向前或向后最近的工作日，当然，如果当前日期本身就是工作日，则直接返回当前日期。如果offsets和forward/backward都存在，则先进行forward/backward，然后偏移到后面第offsets个工作日。

import numpy as np
 
# 2020-07-10 星期五
a = np.busday_offset('2020-07-10', offsets=1)
print(a)  # 2020-07-13
 
a = np.busday_offset('2020-07-11', offsets=1)
print(a)
# ValueError: Non-business day date in busday_offset
 
a = np.busday_offset('2020-07-11', offsets=0, roll='forward')
b = np.busday_offset('2020-07-11', offsets=0, roll='backward')
print(a)  # 2020-07-13
print(b)  # 2020-07-10
 
a = np.busday_offset('2020-07-11', offsets=1, roll='forward')
b = np.busday_offset('2020-07-11', offsets=1, roll='backward')
print(a)  # 2020-07-14
print(b)  # 2020-07-13

该功能能判断某天是否是工作日。

numpy.is_busday(dates, weekmask='1111100', holidays=None, busdaycal=None, out=None) 

【例2】返回指定日期是否是工作日。

import numpy as np
 
# 2020-07-10 星期五
a = np.is_busday('2020-07-10')
b = np.is_busday('2020-07-11')
print(a)  # True
print(b)  # False

【例3】统计一个datetime64[D]中的工作日天数。

import numpy as np
 
# 2020-07-10 星期五
begindates = np.datetime64('2020-07-10')
enddates = np.datetime64('2020-07-20')
a = np.arange(begindates, enddates, dtype='datetime64')
b = np.count_nonzero(np.is_busday(a))
print(a)
# ['2020-07-10' '2020-07-11' '2020-07-12' '2020-07-13' '2020-07-14'
#  '2020-07-15' '2020-07-16' '2020-07-17' '2020-07-18' '2020-07-19']
print(b)  # 6

1.4数组的创建 

1.4.1根据已有数据创建数组

【array（）方法】

import numpy as np
 
# 创建一维数组
a = np.array([0, 1, 2, 3, 4])  
#第一层（）代表函数引用，[]代表第一行，逗号分隔代表不同列
b = np.array((0, 1, 2, 3, 4))     最内层（）或[]都可   
print(a, type(a))
print(b, type(b))
 
# 创建二维数组
#第一层（）代表函数引用，第二层[]代表一整个数组，第三层[]表示一行，逗号分隔表示不同列
c = np.array([[11, 12, 13, 14, 15],    
              [16, 17, 18, 19, 20],
              [21, 22, 23, 24, 25],
              [26, 27, 28, 29, 30],
              [31, 32, 33, 34, 35]])
print(c, type(c))
 
 
# 创建三维数组
#第一层（）代表函数引用，第二层[]代表整个数组，第三层[]代表一层，第四层（）代表一行，逗号分隔代表不同列
d = np.array([[(1.5, 2, 3), (4, 5, 6)],
              [(3, 2, 1), (4, 5, 6)]])
print(d, type(d))

【asarray（）方法】

array()和asarray()都可以将结构数据转化为 ndarray，但是array()和asarray()主要区别就是当数据源是ndarray 时，array()仍然会 copy 出一个副本，占用新的内存，但不改变 dtype 时 asarray()不会。

import numpy as np
 
x = [[1, 1, 1], [1, 1, 1], [1, 1, 1]]        #数据源是list
y = np.array(x)
z = np.asarray(x)
x[1][2] = 2            #列表在引用后改变
 
print(x)
# [[1, 1, 1], [1, 1, 2], [1, 1, 1]]
 
print(y)
# [[1 1 1]
#  [1 1 1]
#  [1 1 1]] 
 
print(z)
# [[1 1 1]
#  [1 1 1]
#  [1 1 1]]             #array和asarray都改变
 
 
x = np.array([[1, 1, 1], [1, 1, 1], [1, 1, 1]])  #数据源是ndarray
y = np.array(x)
z = np.asarray(x)
x[1][2] = 2        #x在引用后改变
 
print(x,x.dtype)
# [[1 1 1]
#  [1 1 2]
#  [1 1 1]] int32
 
print(y，y.dtype)        #array是副本，不改变
# [[1 1 1]
#  [1 1 1]
#  [1 1 1]] int32
 
print(z,z.dtype)        #未改变dtype的asarray直接引用ndarray，改变
# [[1 1 1]
#  [1 1 2]
#  [1 1 1]] int32

【fromfunction（）方法】

def fromfunction(function, shape, **kwargs):

【例】通过在每个坐标上执行一个函数来构造数组。

import numpy as np
 
def f(x, y):
    return 10 * x + y
 
#填充与行列坐标相关的矩阵。（5,4）为矩阵形状，限制迭代次数
x = np.fromfunction(f, (5, 4), dtype=int)
print(x)
# [[ 0  1  2  3]
#  [10 11 12 13]
#  [20 21 22 23]
#  [30 31 32 33]
#  [40 41 42 43]]
 
#lambda i,j: ..... 定义关于坐标（i，j）的函数
x = np.fromfunction(lambda i, j: i == j, (3, 3), dtype=int)
print(x)
# [[ True False False]
#  [False  True False]
#  [False False  True]]
 
x = np.fromfunction(lambda i, j: i + j, (3, 3), dtype=int)
print(x)
# [[0 1 2]
#  [1 2 3]
#  [2 3 4]]

1.4.2特定值和结构的填充方法

【零数组】

zeros（）函数：返回给定形状和类型的零数组。

zeros_like（）函数：返回与给定数组形状和类型相同的零数组。

【例】

import numpy as np
 
x = np.zeros(5)
print(x)  # [0. 0. 0. 0. 0.]
x = np.zeros([2, 3])
print(x)
# [[0. 0. 0.]
#  [0. 0. 0.]]
 
x = np.array([[1, 2, 3], [4, 5, 6]])
y = np.zeros_like(x)
print(y)
# [[0 0 0]
#  [0 0 0]]

【1数组】 

ones（）函数：返回给定形状和类型的1数组。

ones_like（）函数：返回与给定数组形状和类型相同的1数组。

【例】

import numpy as np
 
x = np.ones(5)
print(x)  # [1. 1. 1. 1. 1.]
x = np.ones([2, 3])
print(x)
# [[1. 1. 1.]
#  [1. 1. 1.]]
 
x = np.array([[1, 2, 3], [4, 5, 6]])
y = np.ones_like(x)
print(y)
# [[1 1 1]
#  [1 1 1]]

【空数组】 

empty（）函数：返回给定形状和类型的空数组。

empty_like（）函数：返回与给定数组形状和类型相同的空数组。

【例】

import numpy as np
 
x = np.empty(5)
print(x)
# [1.95821574e-306 1.60219035e-306 1.37961506e-306 
#  9.34609790e-307 1.24610383e-306]
 
x = np.empty((3, 2))
print(x)
# [[1.60220393e-306 9.34587382e-307]
#  [8.45599367e-307 7.56598449e-307]
#  [1.33509389e-306 3.59412896e-317]]
 
x = np.array([[1, 2, 3], [4, 5, 6]])
y = np.empty_like(x)
print(y)
# [[  7209029   6422625   6619244]
#  [      100 707539280       504]]

 【单位数组】

eye（）函数：返回一个对角线上为1，其它地方为零的单位数组，可以不“方”。

identity（）函数：返回一个方的单位数组。

【例】

import numpy as np
 
x = np.eye(4)
print(x)
# [[1. 0. 0. 0.]
#  [0. 1. 0. 0.]
#  [0. 0. 1. 0.]
#  [0. 0. 0. 1.]]
 
x = np.eye(2, 3)
print(x)
# [[1. 0. 0.]
#  [0. 1. 0.]]
 
x = np.identity(4)
print(x)
# [[1. 0. 0. 0.]
#  [0. 1. 0. 0.]
#  [0. 0. 1. 0.]
#  [0. 0. 0. 1.]]

【对角数组】

diag（）函数：提取对角线或构造对角数组。

【例】

import numpy as np
 
x = np.arange(9).reshape((3, 3))
print(x)
# [[0 1 2]
#  [3 4 5]
#  [6 7 8]]
print(np.diag(x))  # [0 4 8]
print(np.diag(x, k=1))  # [1 5]
print(np.diag(x, k=-1))  # [3 7]
 
v = [1, 3, 5, 7]
x = np.diag(v)
print(x)
# [[1 0 0 0]
#  [0 3 0 0]
#  [0 0 5 0]
#  [0 0 0 7]]

【常数数组】

full()函数：返回一个常数数组。（亦可返回所有常量）

full_like()函数：返回与给定数组具有相同形状和类型的常数数组。

【例】

import numpy as np
 
x = np.full((2,), 7)
print(x)
# [7 7]
 
x = np.full(2, 7)
print(x)
# [7 7]
 
x = np.full((2, 7), 7)
print(x)
# [[7 7 7 7 7 7 7]
#  [7 7 7 7 7 7 7]]
 
x = np.array([[1, 2, 3], [4, 5, 6]])
y = np.full_like(x, 7)
print(y)
# [[7 7 7]
#  [7 7 7]]

1.4.3利用数值范围创建

arange(start,stop,step)函数：返回给定间隔内的均匀间隔的值，给定间隔（默认1），数量自适应。

linspace()函数：返回给定间隔内的等间隔数字，给定数字数量，间隔自适应。

logspace()函数：返回数以对数刻度均匀分布。

numpy.random.rand() 返回一个由[0,1)内的随机数组成的数组。

（random系列函数）

【例】

import numpy as np
 
x = np.arange(5)        #默认为[0,5),间隔为1
print(x)  # [0 1 2 3 4]
 
x = np.arange(3, 7, 2)   #指定间隔
print(x)  # [3 5]
 
x = np.linspace(start=0, stop=2, num=9)    #指定间隔和数字数量n，输出等间隔的n个数
print(x)  
# [0.   0.25 0.5  0.75 1.   1.25 1.5  1.75 2.  ]
 
x = np.logspace(0, 1, 5)
print(np.around(x, 2))
# [ 1.    1.78  3.16  5.62 10.  ]            
                                    #np.around 返回四舍五入后的值，可指定精度。
                                   # around(a, decimals=0, out=None)
                                   # a 输入数组
                                   # decimals 要舍入的小数位数。 默认值为0。 如果为负，整数将四舍五入到小数点左侧的位置
 
 
x = np.linspace(start=0, stop=1, num=5)   
 #logspace的同等意义
x = [10 ** i for i in x]                    
print(np.around(x, 2))
# [ 1.    1.78  3.16  5.62 10.  ]
 
x = np.random.random(5)
print(x)
# [0.41768753 0.16315577 0.80167915 0.99690199 0.11812291]
 
x = np.random.random([2, 3])
print(x)
# [[0.41151858 0.93785153 0.57031309]
#  [0.13482333 0.20583516 0.45429181]]

1.4.4利用数据结构来创建 （）

结构数组，先定义结构，后利用np.array（）创建数组。参数dtype为定义的结构。

【利用字典定义结构】

【例】

import numpy as np
 
personType = np.dtype({
    'names': ['name', 'age', 'weight'],
    'formats': ['U30', 'i8', 'f8']})
 
a = np.array([('Liming', 24, 63.9), ('Mike', 15, 67.), ('Jan', 34, 45.8)],
             dtype=personType)
print(a, type(a))
# [('Liming', 24, 63.9) ('Mike', 15, 67. ) ('Jan', 34, 45.8)]
# <class 'numpy.ndarray'>

【利用包含多个元组的列表来定义结构】

【例】

import numpy as np
 
personType = np.dtype([('name', 'U30'), ('age', 'i8'), ('weight', 'f8')])
a = np.array([('Liming', 24, 63.9), ('Mike', 15, 67.), ('Jan', 34, 45.8)],
             dtype=personType)
print(a, type(a))
# [('Liming', 24, 63.9) ('Mike', 15, 67. ) ('Jan', 34, 45.8)]
# <class 'numpy.ndarray'>
 
# 结构数组的取值方式和一般数组差不多，可以通过下标取得元素：
print(a[0])
# ('Liming', 24, 63.9)
 
print(a[-2:])
# [('Mike', 15, 67. ) ('Jan', 34, 45.8)]
 
# 我们可以使用字段名作为下标获取对应的值
print(a['name'])
# ['Liming' 'Mike' 'Jan']
print(a['age'])
# [24 15 34]
print(a['weight'])
# [63.9 67.  45.8]

1.5数组的属性 

numpy.ndarray.ndim：返回数组的维数（轴的个数）也称为秩，一维数组的秩为 1，二维数组的秩为 2，以此类推。
numpy.ndarray.shape：数组的维度，返回一个元组代表维度。这个元组的长度就是维度的数目，即 ndim 属性(秩)。
numpy.ndarray.size：数组中所有元素的总量，相当于数组的shape中所有元素的乘积，例如矩阵的元素总量为行与列的乘积。
numpy.ndarray.dtype ndarray ：对象的元素类型。
numpy.ndarray.itemsize：以字节的形式返回数组中每一个元素的大小。

【例】

import numpy as np
 
a = np.array([1, 2, 3, 4, 5])
print(a.ndim)  # 1
print(a.shape)  # (5,)  一维数组的维度
print(a.dtype)  # int32
print(a.size)  # 5
print(a.itemsize)  # 4
 
b = np.array([[1, 2, 3], [4, 5, 6.0]])
print(b.shape)  # (2, 3) 分别为二维数组的两个维度
print(b.dtype)  # float64
print(b.size)  # 6
print(b.ndim)  # 2
print(b.itemsize)  # 8

在ndarray中所有元素必须是同一类型，否则会自动向下转换，int->float->str。

【例】

import numpy as np
 
a = np.array([1, 2, 3, 4, 5])
print(a)  # [1 2 3 4 5]
b = np.array([1, 2, 3, 4, '5'])
print(b)  # ['1' '2' '3' '4' '5']
c = np.array([1, 2, 3, 4, 5.0])
print(c)  # [1. 2. 3. 4. 5.]