Numpy下dtype中的str_与string_的区别[通俗易懂]

大家好，又见面了，我是你们的朋友全栈君。

        为什么写这篇文章呢，其实简单来说就是因为搜不到别人有这类的文章呗，所以自己研究了一下。

        在我的某个程序中需要将数据保存成numpy数组，数组中每个元素又必须是字符串的格式

但是当你输入dtype=numpy.str的时候，你会发现又三个相近的数据类型可选，那就是str、str_和string_了，如下图

str自然不用说，看后面就知道，builtins也就说明了这个str其实是python的内建数据类型，跟numpy数组一点关系都没有。

        所以我们将目光锁定到后面为dtype的str_和string_上，我是比较懒的人，不喜欢去翻文档，也比较注重实践检验真理，所以在这里我会通过一系列的对比来区别开这两个数据类型。

对比1，数据本身打印效果：

运行结果为：

对比2，打印数组中的元素的数据类型

运行结果：

不难看出， arr1中的每个元素，貌似均为字符串对象，而arr2中的每个元素，都是btytes对象

而arr1中的元素究竟是不是字符串呢？

对比3，字符串拼接

运行结果：

这里我只运行了arr1中元素跟字符串的拼接结果，并且是成功的，充分说明了str_就应该是dtype中真正对应python里str的那种类型，而arr2就没必要去测试了，因为结果只会是报错。不信你看， 报出来的错误就是长这个样子的。

对比4，占用内存大小对比

运行结果：

可以看到用arr1的占用内存是比arr2要大的。为什么要做这一个比较呢，因为既然用得到numpy数组却又不将里面的元素保存成数字类的数据类型的话，就根本不是考虑计算的而是考虑存储的，那既然考虑存储就一定要考虑占用内存大小这么一个问题。所以有此比较。

        综合来说，我还是会选择str_类型去操作这些数据的，你们呢？