numpy.dtype 类的实例用来描述数组项的组成形式。包括内存块字节数、数据类型等等。
在 NumPy 中描述标量数据的类型，有整数、浮点数等不同精度的几个内置标量类型。这些标量类型不是 dtype 类的实例，但是在需要使用 dtype 对象的地方，也可以使用这些标量。
结构化数据类型则是通过创建字段（包含其它数据类型的数据类型）类形成。每个字段都有一个名称，可以用来访问该字段。
数据类型对象描述了以下几个方面：
- 数据的类型（整型、浮点型、Python对象等）；数据的大小（多少个字节）；数据的顺序（little-endian or big-endian）；如果数据类型是子数组，它的形状和数据类型是什么；如果数据类型对象是结构化数据类型，则是其它数据类型的集合；集合的每个元素包括（字段名称、字段数据类型，每个字段占用内存块的哪个部分）；
用于创建一个数据类型对象。NumPy 数组的元素是由dtype描述的。数据类型对象可以由基本数字类型的不同组合构成。
2. 类的参数- dtype： 要转换为的数据类型对象；align：bool, optional，如果为 true，填充字段使其类似 C 的结构体；copy：bool，optional，复制 dtype 对象 ，如果为 false，则是对内置数据类型对象的引用；
- alignment：根据编译器此数据类型所需的对齐（字节）；base：返回基本元素的数据类型；byteorder：指定此数据类型对象字节顺序的字符，<小端，>大端，|不适；char：21种不同内置类型中的每一种的唯一字符代码；descr：PEP3118接口描述了数据类型；fields：此数据类型定义命名字段字典；itemsize：此数据类型对象的元素大小；kind：此数据类型的字符代码；name：数据类型名称；name：字段名称组成的元组；str：此数据类型对象的数组协议类型字符串;
每当在 NumPy 函数或方法中需要数据类型时，需要提供 dtype 对象或可以转换为 dtype 的对象。
数据类型对象的转换由dtype构造函数完成，可以转换为数据类型对象的内容有：
按原样使用.
2. None使用默认的数据类型 float_.
3. Array-scalar 类型：24钟内置数组标量类型对象，都转换为关联的 dtype 对象；
示例：
# 包含 32 位 big-endia 整数的简单的数据类型。
>>>dt = np.dtype(np.int32)
>dtype('int32')
>>>dt = np.dtype(np.complex128)
>dtype('complex128')
4. 泛型类型
泛型分层类型对象根据关联转换为相应的类型对象：
| 类型 | 类型 |
|---|---|
| number, inexact, floating | float |
| complexfloating | cfloat |
| integer, signedinteger | int_ |
| unsignedinteger | uint |
| character | string |
| generic, flexible | void |
Python内置类型在用于生成dtype对象时，等效于对应的数组标量类型：
| 类型 | 类型 |
|---|---|
| int | int_ |
| bool | bool_ |
| float | float_ |
| complex | cfloat |
| bytes | bytes_ |
| str | unicode_ |
| unicode | unicode_ |
| buffer | void |
| all others | object_ |
示例：
# 内置数据类型转换。
>>>dt = np.dtype(float)
>dtype('float64')
>>>dt = np.dtype(int)
>dtype('int32')
6. 带有 .dtype的类型
具有 dtype 属性的任何类型对象：将直接访问和使用该属性。该属性必须返回可转换为dtype对象的内容。
7.单字符串（One-character strings）每个内置数据类型都有一个字符代码，用于唯一的标识，参考《NumPy中的24种不同类型的标量》。
示例：
# 使用字符代码定义数据类型对象。
>>>dt = np.dtype('?')
>dtype('bool')
>
>>>dt = np.dtype('>H')
>dtype('>u2')
8. Array-protocol类型字符串
格式说明：第一个字符用于指定数据的类型，后面的字符用于指定每个项目的字节数，如果第一个字符指定的是Unicode，则后面的字符标识字符数。
字符代码与指代的类型：
| 代码 | 类型 |
|---|---|
| ‘?’ | boolean |
| ‘b’ | signed byte |
| ‘B’ | unsigned byte |
| i | signed intege |
| ‘u’ | unsigned integer |
| ‘f’ | floating-point |
| ‘c’ | complex-floating point |
| ‘m’ | timedelta |
| ‘M’ | datetime |
| ‘O’ | Python objects |
| ‘S’, ‘a’ | zero-terminated bytes |
| ‘U’ | Unicode string |
| ‘V’ | raw data (void) |
示例：
>>>dt = np.dtype('i4')
>dtype('int32')
>
>>>dt = np.dtype('c16')
>dtype('complex128')
>>>dt = np.dtype('a25')
>dtype('S25')
9. 带有逗号分隔字段的字符串
用于指定格式化数据类型的简写表示法，生成的数据类型的字段命名为 ‘f0’、‘f1’、···、‘fN’ 。
示例：
# 如果字段的形状需要多个维度，则需要写在数据类型前并在形状上加括号。
>>>dt = np.dtype("a3, 3u8, (2,4)U10")
>dtype([('f0', 'S3'), ('f1', '
10. 类型字符串
可以使用 numpy.sctypeDict.keys() 中包含的任何字符串来生成数据类型对象。
示例：
>>>dt = np.dtype("uint32")
>dtype('uint')
11. 使用(flexible_dtype, itemsize)格式设定灵活数据类型
(flexible_dtype, itemsize)
flexible_dtype：灵活数据类型对象；itemsize：所需项大小的整数
示例：
>>>dt = np.dtype("uint32")
>dtype('V10')
>>>dt = np.dtype(('U', 10))
>dtype('
12. 使用(fixed_dtype, shape)格式为固定大小的数据类型设定形状
(fixed_dtype, shape)
fixed_dtype：固定大小的数据类型；shape：为整数，表示对应大小的一维数组；为元组，表示对应形状的子数组；
示例：
>>>dt = np.dtype(('i8', 3))
>dtype(('>>dt = np.dtype(('i4, (2,3)f8, f4', (2,3)))
>dtype(([('f0', '
13. 使用[(field_name, field_dtype, field_shape), ...]格式
[(field_name, field_dtype, field_shape), ...]
field_name：字段名称；field_dtype：数据类型；field_shape：数组形状；
示例：
>>>dt = np.dtype([('big', '>i4'), ('little', 'dtype([('big', '>i4'), ('little', '
14. 使用{'names': ..., 'formats': ..., 'offsets': ..., 'titles': ..., 'itemsize': ...}格式
{'names': ..., 'formats': ..., 'offsets': ..., 'titles': ..., 'itemsize': ...}
names：必选，字段名称列表；formats：必选，数据类型列表，必须与字段名称列表等长；offsets：可选，每个字段的字节偏移量的列表titles：可选，标题列表；itemsize：可选，设置dtype的总大小；
示例：
>>>dt = np.dtype({'names': ['r','b'], 'formats': ['u1', 'u1'],
'offsets': [0, 2],
'titles': ['Red pixel', 'Blue pixel']})
>dtype({'names':['r','b'], 'formats':['u1','u1'], 'offsets':[0,2], 'titles':['Red pixel','Blue pixel'], 'itemsize':3})
15. 使用{'field1': ..., 'field2': ..., ...}格式
{'field1': ..., 'field2': ..., ...}
示例：
>>>dt = np.dtype({'col1': ('U10', 0), 'col2': (np.float32, 10),
'col3': (int, 14)})
>dtype({'names':['col1','col2','col3'], 'formats':['
16. 使用(base_dtype, new_dtype)格式
这种方法是将 base_dtype 解释为结构化的dtype。
示例：
# 将32位整数解释位两个16位整数
>>>dt = np.dtype((np.int32,{'real':(np.int16, 0),'imag':(np.int16, 2)}))
>dtype((numpy.int32, [('real', '>>dt = np.dtype((np.int32, (np.int8, 4)))
>dtype('int32')
