Python NumPy: เปลี่ยน Data Type ของ Array (dtype, astype)

NumPy Array มี dtype (Data Type) ที่กำหนดขนาดและรูปแบบของข้อมูลในหน่วยความจำ การเปลี่ยน dtype สำคัญสำหรับ Memory Efficiency, Numerical Precision และ Compatibility กับ Libraries อื่นๆ

ตรวจสอบ Data Type ปัจจุบัน: array.dtype

import numpy as np

# สร้าง Array
a = np.array([21.23, 13.1, 52.1, 8, 255])
print(f"Array: {a}")
print(f"dtype: {a.dtype}")       # float64
print(f"itemsize: {a.itemsize} bytes")  # 8 bytes per element

NumPy Data Types (Common)

เปลี่ยน Data Type: array.astype()

คืนค่า New Array Copy (ไม่แก้ไข Array เดิม)

import numpy as np

a = np.array([21.23, 13.1, 52.1, 8, 255])
print(f"Original: {a}, dtype: {a.dtype}")

# 1. Float -> Integer (Truncates Decimal!)
a_int = a.astype('int32')  # หรือ np.int32, 'i4'
print(f"int32:    {a_int}, dtype: {a_int.dtype}")  # [21 13 52 8 255]

# 2. Float -> String
a_str = a.astype('str')  # หรือ 'U' (Unicode), ' Complex
a_cmplx = a.astype('complex64')
print(f"complex64: {a_cmplx}, dtype: {a_cmplx.dtype}")  # [21.23+0.j 13.1+0.j ...]

# 4. Integer -> Float
b = np.array([1, 2, 3], dtype=np.int32)
b_float = b.astype(np.float64)
print(f"int32 -> float64: {b_float}, dtype: {b_float.dtype}")

# 5. Boolean Conversion
c = np.array([0, 1, -5, 0, 10])
c_bool = c.astype(bool)
print(f"bool: {c_bool}")  # [False True True False True]

การระบุ dtype แบบต่างๆ

import numpy as np

arr = np.array([1, 2, 3])

# String Specifiers
print(arr.astype('int32').dtype)    # 'int32' or 'i4'
print(arr.astype('float64').dtype)  # 'float64' or 'f8'
print(arr.astype('complex').dtype)  # 'complex128'
print(arr.astype('bool').dtype)     # 'bool'
print(arr.astype('U10').dtype)      # Unicode String length 10

# NumPy Type Objects
print(arr.astype(np.int16).dtype)   # np.int16
print(arr.astype(np.float32).dtype) # np.float32

# Structured Types
dt = np.dtype([('name', 'U10'), ('age', 'i4'), ('score', 'f4')])
structured = np.array([('Alice', 25, 95.5), ('Bob', 30, 87.0)], dtype=dt)
print(structured['name'])

ข้อควรระวัง: Data Loss และ Overflow

import numpy as np

# 1. Float -> Int: Truncation (ไม่ได้ Round!)
arr = np.array([1.9, 2.5, -3.7])
print(arr.astype(int))  # [1 2 -3]  (Truncates toward zero)

# ใช้ Round ก่อนถ้าต้องการ Round
print(np.round(arr).astype(int))  # [2 2 -4]

# 2. Overflow: Large Number -> Small Type
large = np.array([300, 400], dtype=np.int32)
print(large.astype(np.int8))  # [44, 144]  (Overflow! 300 % 256 = 44)

# 3. Unsigned <- Negative
neg = np.array([-1, -5], dtype=np.int32)
print(neg.astype(np.uint8))  # [251, 251]  (Two's Complement)

Memory Efficiency Example

import numpy as np
import sys

# 1 ล้านตัวเลข
size = 1_000_000

# float64 (Default) - 8 MB
arr_f64 = np.random.rand(size)
print(f"float64: {arr_f64.nbytes / 1e6:.1f} MB")

# float32 - 4 MB (ครึ่งหนึ่ง!)
arr_f32 = arr_f64.astype(np.float32)
print(f"float32: {arr_f32.nbytes / 1e6:.1f} MB")

# int8 - 1 MB (ถ้าข้อมูลอยู่ในช่วง -128 ถึง 127)
arr_i8 = (np.random.rand(size) * 200 - 100).astype(np.int8)
print(f"int8: {arr_i8.nbytes / 1e6:.1f} MB")

สรุป

• array.dtype: ดู Data Type ปัจจุบัน
• array.astype(new_dtype): สร้าง Array ใหม่ด้วย dtype ใหม่ (Copy)
• ระวัง Truncation (Float->Int), Overflow (Large->Small Type), Sign Change (Signed<->Unsigned)
• ใช้ dtype ที่เล็กที่สุดที่รองรับข้อมูลได้ เพื่อประหยัด Memory และเพิ่ม Speed (Cache Efficiency)
• Deep Learning: ใช้ float32 (มาตรฐาน), float16 (Mixed Precision)
• Image Processing: ใช้ uint8 (0-255)