将numpy dtypes转换为本地python类型

如果我有numpy dtype，如何将其自动转换为最接近的python数据类型？例如，

numpy.float32 -> "python float"
numpy.float64 -> "python float"
numpy.uint32  -> "python int"
numpy.int16   -> "python int"

我可以尝试提出所有这些情况的映射，但是numpy是否提供了一些自动方式将其dtypes转换为最接近的本机python类型？该映射不必详尽无遗，但它应该转换具有类似python类似物的常见dtypes。我认为这已经发生在numpy的某个地方。

使用val.item()最NumPy的值转换成原来的Python类型：

import numpy as np

# for example, numpy.float32 -> python float
val = np.float32(0)
pyval = val.item()
print(type(pyval))         # <class 'float'>

# and similar...
type(np.float64(0).item()) # <class 'float'>
type(np.uint32(0).item())  # <class 'long'>
type(np.int16(0).item())   # <class 'int'>
type(np.cfloat(0).item())  # <class 'complex'>
type(np.datetime64(0, 'D').item())  # <class 'datetime.date'>
type(np.datetime64('2001-01-01 00:00:00').item())  # <class 'datetime.datetime'>
type(np.timedelta64(0, 'D').item()) # <class 'datetime.timedelta'>
...

（另一种方法是np.asscalar(val)，但是从NumPy 1.16开始不推荐使用）。

出于好奇，请为您的系统构建NumPy数组标量的转换表：

for name in dir(np):
    obj = getattr(np, name)
    if hasattr(obj, 'dtype'):
        try:
            if 'time' in name:
                npn = obj(0, 'D')
            else:
                npn = obj(0)
            nat = npn.item()
            print('{0} ({1!r}) -> {2}'.format(name, npn.dtype.char, type(nat)))
        except:
            pass

有迹象表明，有没有原生的Python相当于在某些系统上，包括一些NumPy的类型：clongdouble，clongfloat，complex192，complex256，float128，longcomplex，longdouble和longfloat。在使用之前，需要将它们转换为最接近的NumPy等效项.item()。

发现自己混合了numpy类型和标准python。由于所有numpy类型都源自numpy.generic，因此您可以将所有内容转换为python标准类型：

if isinstance(obj, numpy.generic):
    return numpy.asscalar(obj)

如果要将（numpy.array或numpy标量或本机类型或numpy.darray）转换为本机类型，则可以执行以下操作：

converted_value = getattr(value, "tolist", lambda: value)()

tolist会将标量或数组转换为python本机类​​型。默认的lambda函数处理值已经是本机的情况。

怎么样：

In [51]: dict([(d, type(np.zeros(1,d).tolist()[0])) for d in (np.float32,np.float64,np.uint32, np.int16)])
Out[51]: 
{<type 'numpy.int16'>: <type 'int'>,
 <type 'numpy.uint32'>: <type 'long'>,
 <type 'numpy.float32'>: <type 'float'>,
 <type 'numpy.float64'>: <type 'float'>}

tolist()是实现此目的的更通用的方法。它适用于任何原始dtype以及数组或矩阵。

如果从原始类型调用，我实际上不会产生一个列表：

numpy的= = 1.15.2

>>> import numpy as np

>>> np_float = np.float64(1.23)
>>> print(type(np_float), np_float)
<class 'numpy.float64'> 1.23

>>> listed_np_float = np_float.tolist()
>>> print(type(listed_np_float), listed_np_float)
<class 'float'> 1.23

>>> np_array = np.array([[1,2,3.], [4,5,6.]])
>>> print(type(np_array), np_array)
<class 'numpy.ndarray'> [[1. 2. 3.]
 [4. 5. 6.]]

>>> listed_np_array = np_array.tolist()
>>> print(type(listed_np_array), listed_np_array)
<class 'list'> [[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]]

您还可以调用要转换的对象的item()方法：

>>> from numpy import float32, uint32
>>> type(float32(0).item())
<type 'float'>
>>> type(uint32(0).item())
<type 'long'>

我认为您可以像这样编写通用类型转换函数：

import numpy as np

def get_type_convert(np_type):
   convert_type = type(np.zeros(1,np_type).tolist()[0])
   return (np_type, convert_type)

print get_type_convert(np.float32)
>> (<type 'numpy.float32'>, <type 'float'>)

print get_type_convert(np.float64)
>> (<type 'numpy.float64'>, <type 'float'>)

这意味着没有固定的列表，您的代码将使用更多类型进行扩展。

numpy将信息保留在公开的映射中，typeDict因此您可以执行以下操作：

>>> import __builtin__
>>> import numpy as np
>>> {v: k for k, v in np.typeDict.items() if k in dir(__builtin__)}
{numpy.object_: 'object',
 numpy.bool_: 'bool',
 numpy.string_: 'str',
 numpy.unicode_: 'unicode',
 numpy.int64: 'int',
 numpy.float64: 'float',
 numpy.complex128: 'complex'}

如果您想要实际的python类型而不是它们的名称，可以执行::

>>> {v: getattr(__builtin__, k) for k, v in np.typeDict.items() if k in vars(__builtin__)}
{numpy.object_: object,
 numpy.bool_: bool,
 numpy.string_: str,
 numpy.unicode_: unicode,
 numpy.int64: int,
 numpy.float64: float,
 numpy.complex128: complex}

抱歉，部分迟到了，但是我正在研究仅转换numpy.float64为常规Python 的问题float。我看到了3种方法：

1. npValue.item()
2. npValue.astype(float)
3. float(npValue)

以下是IPython的相关计时：

In [1]: import numpy as np

In [2]: aa = np.random.uniform(0, 1, 1000000)

In [3]: %timeit map(float, aa)
10 loops, best of 3: 117 ms per loop

In [4]: %timeit map(lambda x: x.astype(float), aa)
1 loop, best of 3: 780 ms per loop

In [5]: %timeit map(lambda x: x.item(), aa)
1 loop, best of 3: 475 ms per loop

听起来float(npValue)好像快得多。

我的方法有点用力，但似乎在所有情况下都很好：

def type_np2py(dtype=None, arr=None):
    '''Return the closest python type for a given numpy dtype'''

    if ((dtype is None and arr is None) or
        (dtype is not None and arr is not None)):
        raise ValueError(
            "Provide either keyword argument `dtype` or `arr`: a numpy dtype or a numpy array.")

    if dtype is None:
        dtype = arr.dtype

    #1) Make a single-entry numpy array of the same dtype
    #2) force the array into a python 'object' dtype
    #3) the array entry should now be the closest python type
    single_entry = np.empty([1], dtype=dtype).astype(object)

    return type(single_entry[0])

用法：

>>> type_np2py(int)
<class 'int'>

>>> type_np2py(np.int)
<class 'int'>

>>> type_np2py(str)
<class 'str'>

>>> type_np2py(arr=np.array(['hello']))
<class 'str'>

>>> type_np2py(arr=np.array([1,2,3]))
<class 'int'>

>>> type_np2py(arr=np.array([1.,2.,3.]))
<class 'float'>

对于那些不需要自动转换并且知道该值的numpy dtype的人的数组标量的补充说明：

数组标量与Python标量不同，但是它们在大多数情况下可以互换使用（主要的例外是v2.x之前的Python版本，其中整数数组标量不能用作列表和元组的索引）。有一些例外，例如，当代码需要标量的非常特定的属性时，或者当代码专门检查值是否为Python标量时。通常，通过使用相应的Python类型函数（例如，int，float，complex，str，unicode）将数组标量显式转换为Python标量，即可轻松解决问题。

资源

因此，在大多数情况下，可能根本不需要转换，并且可以直接使用数组标量。效果应与使用Python标量相同：

>>> np.issubdtype(np.int64, int)
True
>>> np.int64(0) == 0
True
>>> np.issubdtype(np.float64, float)
True
>>> np.float64(1.1) == 1.1
True

但是，如果由于某种原因需要显式转换，则可以使用相应的Python内置函数。如另一个答案所示，它也比数组标量item()方法快。

翻译整个ndarray而不是一个单位数据对象：

def trans(data):
"""
translate numpy.int/float into python native data type
"""
result = []
for i in data.index:
    # i = data.index[0]
    d0 = data.iloc[i].values
    d = []
    for j in d0:
        if 'int' in str(type(j)):
            res = j.item() if 'item' in dir(j) else j
        elif 'float' in str(type(j)):
            res = j.item() if 'item' in dir(j) else j
        else:
            res = j
        d.append(res)
    d = tuple(d)
    result.append(d)
result = tuple(result)
return result

但是，处理大型数据帧需要花费几分钟。我也在寻找一种更有效的解决方案。希望有一个更好的答案。