Python 支持的数据类型有整型、浮点型以及复数型，但这些类型不足以满足科学计算的需求，因此 NumPy 添加了很多其他的数据类型。在实际应用中，我们需要不同精度的数据类型，它们占用的内存空间也是不同的。在 NumPy 中，大部分数据类型名是以数字结尾的，这个数字表示其在内存中占用的位数。
下表显示了 NumPy 中定义的不同标量数据类型。
数据类型
| 类型 | 描述 |
|---|---|
bool_ |
用一个字节存储的布尔类型（值为 TRUE 或 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 int64 |
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） |
int128 |
整数 |
longlong |
|
uintc |
与 C 的 uint 类型一样，一般是 uint32 或 uint64 |
uintp |
用于索引的整数类型（类似于 C 的 ssize_t，一般情况下仍然是 uint32 或 uint64） |
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） |
uint128 |
无符号整数 |
ulonglong |
|
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 |
float128 |
|
float256 |
|
longfloat |
|
complex_ |
complex128 类型的简写，即 128 位复数 |
complex32 |
复数，表示双 16 位浮点数（实数部分和虚数部分） |
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） |
complex256 |
复数，表示双 128 位浮点数（实数部分和虚数部分） |
complex512 |
复数，表示双 512 位浮点数（实数部分和虚数部分） |
clongfloat |
NumPy 数字类型是 dtype（数据类型）对象的实例，每个对象具有唯一的特征。这些类型可以是 np.bool_，np.float32 等。
数据类型对象 (dtype)
数据类型对象描述了对应于数组的固定内存块的解释，取决于以下方面：
-
数据类型(整数、浮点或者 Python 对象)
-
数据大小
-
字节序(小端或大端)
-
在结构化类型的情况下，字段的名称，每个字段的数据类型，和每个字段占用的内存块部分。
-
如果数据类型是子序列，它的形状和数据类型。
字节顺序取决于数据类型的前缀<或>。<意味着编码是小端(最小有效字节存储在最小地址中)。>意味着编码是大端(最大有效字节存储在最小地址中)。
dtype可由一下语法构造：
numpy.dtype(object, align, copy)
参数为：
-
Object：被转换为数据类型的对象。
-
Align：如果为true，则向字段添加间隔，使其类似 C 的结构体。
-
Copy? 生成dtype对象的新副本，如果为flase，结果是内建数据类型对象的引用。
示例 1
# 使用数组标量类型 import numpy as np dt = np.dtype(np.int32) print dt
输出如下：
int32
示例 2
#int8，int16，int32，int64 可替换为等价的字符串 'i1'，'i2'，'i4'，以及其他。import numpy as np
dt = np.dtype('i4')
print dt
输出如下：
int32
示例 3
# 使用端记号
import numpy as np
dt = np.dtype('>i4')
print dt
输出如下：
>i4
下面的例子展示了结构化数据类型的使用。这里声明了字段名称和相应的标量数据类型。
示例 4
# 首先创建结构化数据类型。import numpy as np
dt = np.dtype([('age',np.int8)])
print dt
输出如下：
[('age', 'i1')]
示例 5
# 现在将其应用于 ndarray 对象
import numpy as np
dt = np.dtype([('age',np.int8)])
a = np.array([(10,),(20,),(30,)], dtype = dt)
print a
输出如下：
[(10,) (20,) (30,)]
示例 6
# 文件名称可用于访问 age 列的内容
import numpy as np
dt = np.dtype([('age',np.int8)])
a = np.array([(10,),(20,),(30,)], dtype = dt)
print a['age']
输出如下：
[10 20 30]
示例 7
以下示例定义名为 student 的结构化数据类型，其中包含字符串字段name，整数字段age和浮点字段marks。此dtype应用于ndarray对象。
import numpy as np
student = np.dtype([('name','S20'), ('age', 'i1'), ('marks', 'f4')])
print student
输出如下：
[('name', 'S20'), ('age', 'i1'), ('marks', '<f4')])
示例 8
import numpy as np
student = np.dtype([('name','S20'), ('age', 'i1'), ('marks', 'f4')])
a = np.array([('abc', 21, 50),('xyz', 18, 75)], dtype = student)
print a
输出如下：
[('abc', 21, 50.0), ('xyz', 18, 75.0)]
每个内建类型都有一个唯一定义它的字符代码：
-
'b'：布尔值
-
'i'：符号整数
-
'u'：无符号整数
-
'f'：浮点
-
'c'：复数浮点
-
'm'：时间间隔
-
'M'：日期时间
-
'O'：Python 对象
-
'S', 'a'：字节串
-
'U'：Unicode
-
'V'：原始数据(void)