102

我在熊猫中创建了一个 TimeSeries：

In [346]: from datetime import datetime

In [347]: dates = [datetime(2011, 1, 2), datetime(2011, 1, 5), datetime(2011, 1, 7),

 .....: datetime(2011, 1, 8), datetime(2011, 1, 10), datetime(2011, 1, 12)]

In [348]: ts = Series(np.random.randn(6), index=dates)

In [349]: ts

Out[349]: 

2011-01-02 0.690002

2011-01-05 1.001543

2011-01-07 -0.503087

2011-01-08 -0.622274

2011-01-10 -0.921169

2011-01-12 -0.726213

我正在关注“Python for Data Analysis”一书中的示例。

在以下段落中，作者检查了索引类型：

In [353]: ts.index.dtype

Out[353]: dtype('datetime64[ns]')

当我在控制台中执行完全相同的操作时，我得到：

ts.index.dtype
dtype('<M8[ns]')

'datetime64[ns]'两种类型和有什么区别'<M8[ns]'？

为什么我会得到不同的类型？

获取存储过程所在的数据库名称

我有 SQL Server 2008，我有 10 个不同的数据库，现在我想搜索一个存储过程，该存储过程存在于哪个数据库中。

有些人提到重复......没有正确阅读我的问题。我的要求是我需要验证“SP_Email”程序。我这个程序是哪个数据库存在的。

4

2 回答 2

159

datetime64[ns]是通用 dtype，而<M8[ns]是特定 dtype。一般 dtypes 映射到特定的 dtypes，但可能与 NumPy 的一个安装不同。

np.dtype('datetime64[ns]')在字节顺序为小端的机器上，和之间没有区别 np.dtype('<M8[ns]')：

In [6]: np.dtype('datetime64[ns]') == np.dtype('<M8[ns]')
Out[6]: True

但是，在大端机器上，np.dtype('datetime64[ns]')将等于np.dtype('>M8[ns]').

因此datetime64[ns]映射到<M8[ns]或>M8[ns]取决于机器的字节序。

还有许多其他类似的通用 dtypes 映射到特定 dtypes 的示例： int64映射到<i8or >i8，并int映射到int32or ，int64 具体取决于 OS 的位体系结构和 NumPy 的编译方式。

显然， datetime64 dtype 的 repr 自从这本书被写出来以显示 dtype 的字节顺序以来就发生了变化。

于 2015-03-23T19:25:43.450 回答
6

一些背景知识将有助于理解输出的细微差别。

Numpy 具有精细的数据类型层次结构。类型信息作为属性存储在数据类型对象中，该对象是numpy.dtype类的实例。它描述了应如何解释与数组项对应的固定大小内存块中的字节（字节顺序、字节数等）。

创建一个实例dtype

In [1]: import numpy as np

In [2]: dt = np.datetime64('1980', 'ns')

In [3]: dt
Out[3]: numpy.datetime64('1980-01-01T00:00:00.000000000')

In [4]: dt.dtype
Out[4]: dtype('<M8[ns]')

检查属性

In [5]: dt.dtype.char
Out[5]: 'M'

In [6]: dt.dtype.name
Out[6]: 'datetime64[ns]'

In [7]: dt.dtype.str
Out[7]: '<M8[ns]'

In [8]: dt.dtype.type
Out[8]: numpy.datetime64

repr和str是对象的字符串表示，对于相同的底层数据类型，每个都可以有不同的输出。

In [9]: repr(dt.dtype)
Out[9]: "dtype('<M8[ns]')"

In [10]: str(dt.dtype)
Out[10]: 'datetime64[ns]'

应用程序（shell、控制台、调试器等）可能会调用其中任何一个，因此相同类型的输出可能看起来不同。

令人困惑的是，在位宽、类型别名等方面还有更多细微差别。有关血腥细节，请参阅Python、Numpy 和 Pandas 中的数据类型。

于 2021-04-24T11:20:58.737 回答