结构化数组

简介

结构化数组是其数据类型由更简单的数据类型组成，并以命名 字段 序列形式组织的 ndarrays。例如，

>>> x = np.array([('Rex', 9, 81.0), ('Fido', 3, 27.0)],
...              dtype=[('name', 'U10'), ('age', 'i4'), ('weight', 'f4')])
>>> x
array([('Rex', 9, 81.), ('Fido', 3, 27.)],
      dtype=[('name', '<U10'), ('age', '<i4'), ('weight', '<f4')])

此处 x 是一个长度为 2 的一维数组，其数据类型是具有三个字段的结构：1. 一个长度不超过 10 的名为 ‘name’ 的字符串，2. 一个名为 ‘age’ 的 32 位整数，以及 3. 一个名为 ‘weight’ 的 32 位浮点数。

如果在位置 1 处索引 x，您将获得一个结构

>>> x[1]
np.void(('Fido', 3, 27.0), dtype=[('name', '<U10'), ('age', '<i4'), ('weight', '<f4')])

您可以通过使用字段名称进行索引来访问和修改结构化数组的各个字段

>>> x['age']
array([9, 3], dtype=int32)
>>> x['age'] = 5
>>> x
array([('Rex', 5, 81.), ('Fido', 5, 27.)],
      dtype=[('name', '<U10'), ('age', '<i4'), ('weight', '<f4')])

结构化数据类型旨在能够模仿 C 语言中的 ‘structs’，并共享类似的内存布局。它们旨在用于与 C 代码进行接口以及用于结构化缓冲区的低级操作，例如解释二进制块。出于这些目的，它们支持专门的功能，例如子数组、嵌套数据类型和联合，并允许控制结构的内存布局。

希望操作表格数据的用户（例如存储在 csv 文件中的数据）可能会发现其他 pydata 项目更适合，例如 xarray、pandas 或 DataArray。这些项目为表格数据分析提供了一个高级接口，并且针对该用途进行了更好的优化。例如，与 numpy 中的结构化数组的 C-struct 类似的内存布局相比，可能会导致缓存行为较差。

结构化数据类型

可以将结构化数据类型视为一定长度的字节序列（结构的 itemsize），该序列被解释为字段的集合。每个字段都有一个名称、一个数据类型和一个在结构中的字节偏移量。字段的数据类型可以是任何 numpy 数据类型，包括其他结构化数据类型，也可以是 子数组数据类型，该数据类型表现得像指定形状的 ndarray。字段的偏移量是任意的，字段甚至可以重叠。这些偏移量通常由 numpy 自动确定，但也可以指定。

结构化数据类型创建

可以使用函数 numpy.dtype 创建结构化数据类型。有 4 种不同的规范形式，它们在灵活性 and 简洁性方面有所不同。这些将在 数据类型对象 参考页面中进一步介绍，总之它们是

1. 每个字段一个元组的元组列表

   每个元组的形式为 (fieldname, datatype, shape)，其中 shape 是可选的。 fieldname 是一个字符串（如果使用标题，则为元组，请参见下面的 字段标题），datatype 可以是任何可转换为数据类型的对象，而 shape 是一个指定子数组形状的整数元组。

   >>> np.dtype([('x', 'f4'), ('y', np.float32), ('z', 'f4', (2, 2))])
   dtype([('x', '<f4'), ('y', '<f4'), ('z', '<f4', (2, 2))])
   

   如果 fieldname 是空字符串 ''，则该字段将被赋予形式为 f# 的默认名称，其中 # 是字段的整数索引，从左到右从 0 开始计数

   >>> np.dtype([('x', 'f4'), ('', 'i4'), ('z', 'i8')])
   dtype([('x', '<f4'), ('f1', '<i4'), ('z', '<i8')])
   

   结构中字段的字节偏移量 and 结构的总项大小将自动确定。

2. 以逗号分隔的数据类型规范字符串

   在此简写符号中，任何 字符串数据类型规范 都可以在字符串中使用，并以逗号分隔。字段的项大小和字节偏移量将自动确定，字段名称将被赋予默认名称 f0、f1 等。

   >>> np.dtype('i8, f4, S3')
   dtype([('f0', '<i8'), ('f1', '<f4'), ('f2', 'S3')])
   >>> np.dtype('3int8, float32, (2, 3)float64')
   dtype([('f0', 'i1', (3,)), ('f1', '<f4'), ('f2', '<f8', (2, 3))])
   

3. 字段参数数组的字典

   这是最灵活的规范形式，因为它允许控制字段的字节偏移量 and 结构的项大小。

   该字典有两个必填键，‘names’ 和 ‘formats’，以及四个可选键，‘offsets’、‘itemsize’、‘aligned’ and ‘titles’。‘names’ 和 ‘formats’ 的值应分别为字段名称列表 and 数据类型规范列表，长度相同。可选的 ‘offsets’ 值应为一个整数字节偏移量列表，每个字段在结构中都有一个偏移量。如果没有给出 ‘offsets’，则偏移量将自动确定。可选的 ‘itemsize’ 值应为一个整数，描述数据类型的总大小（以字节为单位），该大小必须足够大以容纳所有字段。

   >>> np.dtype({'names': ['col1', 'col2'], 'formats': ['i4', 'f4']})
   dtype([('col1', '<i4'), ('col2', '<f4')])
   >>> np.dtype({'names': ['col1', 'col2'],
   ...           'formats': ['i4', 'f4'],
   ...           'offsets': [0, 4],
   ...           'itemsize': 12})
   dtype({'names': ['col1', 'col2'], 'formats': ['<i4', '<f4'], 'offsets': [0, 4], 'itemsize': 12})
   

   可以选取偏移量以使字段重叠，但这意味着为一个字段赋值可能会覆盖任何重叠字段的数据。作为例外，numpy.object_ 类型的字段不能与其他字段重叠，因为存在覆盖内部对象指针然后对其进行取消引用的风险。

   可选的 ‘aligned’ 值可以设置为 True，以使自动偏移量计算使用对齐的偏移量（请参见 自动字节偏移量 and 对齐），就像 numpy.dtype 的 ‘align’ 关键字参数设置为 True 一样。

   可选的 ‘titles’ 值应为一个与 ‘names’ 长度相同的标题列表，请参见下面的 字段标题。

4. 字段名称的字典

   字典的键是字段名称，而值是指定类型和偏移量的元组

   >>> np.dtype({'col1': ('i1', 0), 'col2': ('f4', 1)})
   dtype([('col1', 'i1'), ('col2', '<f4')])
   

   这种形式不被鼓励，因为在 Python 3.6 之前的 Python 版本中，Python 字典不会保留顺序。可以使用 3 元组指定 字段标题，请参见下文。

操作 and 显示结构化数据类型

可以在数据类型对象的 names 属性中找到结构化数据类型的字段名称列表

>>> d = np.dtype([('x', 'i8'), ('y', 'f4')])
>>> d.names
('x', 'y')

可以通过名称查找每个单独字段的数据类型

>>> d['x']
dtype('int64')

可以通过使用相同长度的字符串序列为 names 属性赋值来修改字段名称。

数据类型对象还具有一个类似于字典的属性 fields，其键是字段名称（and 字段标题，请参见下文），而值是包含每个字段的数据类型 and 字节偏移量的元组。

>>> d.fields
mappingproxy({'x': (dtype('int64'), 0), 'y': (dtype('float32'), 8)})

对于非结构化数组，names 和 fields 属性都将等于 None。建议使用 if dt.names is not None 而不是 if dt.names 来测试数据类型是否为结构化，以考虑具有 0 个字段的数据类型。

结构化数据类型的字符串表示形式如果可能，将以“元组列表”形式显示，否则 numpy 将回退到使用更通用的字典形式。

自动字节偏移量 and 对齐

Numpy 使用两种方法之一自动确定结构化数据类型的字段字节偏移量 and 总项大小，具体取决于是否 align=True 被指定为 numpy.dtype 的关键字参数。

默认情况下 (align=False)，numpy 将打包字段以使每个字段都从前一个字段结束的字节偏移量开始，并且字段在内存中是连续的。

>>> def print_offsets(d):
...     print("offsets:", [d.fields[name][1] for name in d.names])
...     print("itemsize:", d.itemsize)
>>> print_offsets(np.dtype('u1, u1, i4, u1, i8, u2'))
offsets: [0, 1, 2, 6, 7, 15]
itemsize: 17

如果设置了 align=True，numpy 将以与许多 C 编译器填充 C-struct 的方式相同的方式填充结构。对齐的结构在某些情况下可能会提高性能，但会增加数据类型大小。将在字段之间插入填充字节，以使每个字段的字节偏移量成为该字段对齐量的倍数，该对齐量通常等于简单数据类型的字段大小（以字节为单位），请参见 PyArray_Descr.alignment。结构还将添加尾部填充，以使它的项大小成为最大字段对齐量的倍数。

>>> print_offsets(np.dtype('u1, u1, i4, u1, i8, u2', align=True))
offsets: [0, 1, 4, 8, 16, 24]
itemsize: 32

请注意，尽管几乎所有现代 C 编译器都默认以这种方式进行填充，但 C 结构中的填充是与 C 实现相关的，因此这种内存布局不能保证与 C 程序中相应的结构完全匹配。可能需要在 numpy 端或 C 端进行一些工作，以获得完全一致性。

如果使用字典类型的 dtype 规范中的可选 offsets 键指定偏移量，则设置 align=True 将检查每个字段的偏移量是否为其大小的倍数，以及项大小是否为最大字段大小的倍数，如果未满足这些条件，则会引发异常。

如果结构化数组的字段偏移量 and 项大小满足对齐条件，则该数组将具有 ALIGNED flag 设置。

一个便捷函数 numpy.lib.recfunctions.repack_fields 将对齐的 dtype 或数组转换为打包的 dtype 或数组，反之亦然。它以 dtype 或结构化 ndarray 作为参数，并返回一个副本，其中字段被重新打包，带有或不带有填充字节。

字段标题

除了字段名称之外，字段还可以具有一个关联的 标题（一个备用名称），该名称有时用作字段的附加描述或别名。标题可用于索引数组，就像字段名称一样。

要使用数据类型规范的元组列表形式添加标题，可以将字段名称指定为包含两个字符串的元组，而不是单个字符串，这将分别为字段的标题 and 字段名称。例如

>>> np.dtype([(('my title', 'name'), 'f4')])
dtype([(('my title', 'name'), '<f4')])

在使用字典类型的规范的第一种形式时，标题可以作为上面描述的额外 'titles' 键提供。在使用字典类型的第二种（不推荐）形式时，可以通过提供一个 3 元组 (datatype, offset, title) 而不是通常的 2 元组来提供标题

>>> np.dtype({'name': ('i4', 0, 'my title')})
dtype([(('my title', 'name'), '<i4')])

如果使用任何标题，dtype.fields 字典将包含标题作为键。这意味着实际上，具有标题的字段将在 fields 字典中表示两次。这些字段的元组值还将包含第三个元素，即字段标题。由于这一点，并且因为 names 属性保留字段顺序，而 fields 属性可能不会保留字段顺序，因此建议使用数据类型的 names 属性遍历数据类型的字段，该属性不会列出标题，例如

>>> for name in d.names:
...     print(d.fields[name][:2])
(dtype('int64'), 0)
(dtype('float32'), 8)

联合类型

结构化数据类型在 numpy 中的实现默认情况下具有 numpy.void 的基本类型，但可以使用 数据类型对象 中描述的 (base_dtype, dtype) 形式的数据类型规范将其他 numpy 类型解释为结构化类型。此处，base_dtype 是所需的基础数据类型，字段 and 标志将从 dtype 复制。这种数据类型类似于 C 中的 ‘union’。

结构化数组的索引 and 赋值

向结构化数组赋值

有几种方法可以向结构化数组赋值：使用 python 元组、使用标量值或使用其他结构化数组。

从 Python 本地类型（元组）赋值

为结构化数组赋值的最简单方法是使用 Python 元组。每个赋值的值应该是一个元组，其长度等于数组中的字段数量，而不是列表或数组，因为这些将触发 numpy 的广播规则。元组的元素从左到右分配给数组的连续字段。

>>> x = np.array([(1, 2, 3), (4, 5, 6)], dtype='i8, f4, f8')
>>> x[1] = (7, 8, 9)
>>> x
array([(1, 2., 3.), (7, 8., 9.)],
     dtype=[('f0', '<i8'), ('f1', '<f4'), ('f2', '<f8')])

从标量赋值

分配给结构化元素的标量将被分配给所有字段。当标量被分配给结构化数组，或者当非结构化数组被分配给结构化数组时，就会发生这种情况。

>>> x = np.zeros(2, dtype='i8, f4, ?, S1')
>>> x[:] = 3
>>> x
array([(3, 3., True, b'3'), (3, 3., True, b'3')],
      dtype=[('f0', '<i8'), ('f1', '<f4'), ('f2', '?'), ('f3', 'S1')])
>>> x[:] = np.arange(2)
>>> x
array([(0, 0., False, b'0'), (1, 1., True, b'1')],
      dtype=[('f0', '<i8'), ('f1', '<f4'), ('f2', '?'), ('f3', 'S1')])

结构化数组也可以分配给非结构化数组，但前提是结构化数据类型只有一个字段。

>>> twofield = np.zeros(2, dtype=[('A', 'i4'), ('B', 'i4')])
>>> onefield = np.zeros(2, dtype=[('A', 'i4')])
>>> nostruct = np.zeros(2, dtype='i4')
>>> nostruct[:] = twofield
Traceback (most recent call last):
...
TypeError: Cannot cast array data from dtype([('A', '<i4'), ('B', '<i4')]) to dtype('int32') according to the rule 'unsafe'

从其他结构化数组赋值

两个结构化数组之间的赋值就像将源元素转换为元组，然后分配给目标元素一样。也就是说，源数组的第一个字段被分配给目标数组的第一个字段，第二个字段也一样，以此类推，与字段名称无关。具有不同字段数量的结构化数组不能相互赋值。目标结构中未包含在任何字段中的字节不受影响。

>>> a = np.zeros(3, dtype=[('a', 'i8'), ('b', 'f4'), ('c', 'S3')])
>>> b = np.ones(3, dtype=[('x', 'f4'), ('y', 'S3'), ('z', 'O')])
>>> b[:] = a
>>> b
array([(0., b'0.0', b''), (0., b'0.0', b''), (0., b'0.0', b'')],
      dtype=[('x', '<f4'), ('y', 'S3'), ('z', 'O')])

涉及子数组的赋值

当分配给是子数组的字段时，分配的值将首先被广播到子数组的形状。

索引结构化数组

访问单个字段

结构化数组的单个字段可以通过使用字段名称索引数组来访问和修改。

>>> x = np.array([(1, 2), (3, 4)], dtype=[('foo', 'i8'), ('bar', 'f4')])
>>> x['foo']
array([1, 3])
>>> x['foo'] = 10
>>> x
array([(10, 2.), (10, 4.)],
      dtype=[('foo', '<i8'), ('bar', '<f4')])

生成的数组是原始数组的视图。它共享相同的内存位置，写入视图将修改原始数组。

>>> y = x['bar']
>>> y[:] = 11
>>> x
array([(10, 11.), (10, 11.)],
      dtype=[('foo', '<i8'), ('bar', '<f4')])

此视图具有与索引字段相同的 dtype 和 itemsize，因此它通常是一个非结构化数组，除了嵌套结构的情况。

>>> y.dtype, y.shape, y.strides
(dtype('float32'), (2,), (12,))

如果访问的字段是子数组，则子数组的维度将附加到结果的形状。

>>> x = np.zeros((2, 2), dtype=[('a', np.int32), ('b', np.float64, (3, 3))])
>>> x['a'].shape
(2, 2)
>>> x['b'].shape
(2, 2, 3, 3)

访问多个字段

可以使用多字段索引索引和分配到结构化数组，其中索引是字段名称列表。

警告

多字段索引的行为从 Numpy 1.15 更改为 Numpy 1.16。

使用多字段索引索引的结果是原始数组的视图，如下所示

>>> a = np.zeros(3, dtype=[('a', 'i4'), ('b', 'i4'), ('c', 'f4')])
>>> a[['a', 'c']]
array([(0, 0.), (0, 0.), (0, 0.)],
     dtype={'names': ['a', 'c'], 'formats': ['<i4', '<f4'], 'offsets': [0, 8], 'itemsize': 12})

对视图的赋值会修改原始数组。视图的字段将按照索引顺序排列。请注意，与单字段索引不同，视图的 dtype 与原始数组具有相同的 itemsize，并且在与原始数组相同的偏移量处具有字段，未索引的字段只是丢失。

警告

在 Numpy 1.15 中，使用多字段索引索引数组会返回上面结果的副本，但字段在内存中紧密排列，就像通过 numpy.lib.recfunctions.repack_fields 传递一样。

从 Numpy 1.16 开始的新行为会导致与 1.15 相比，在未索引字段的位置出现额外的“填充”字节。您需要更新任何依赖于数据具有“打包”布局的代码。例如，如下代码

>>> a[['a', 'c']].view('i8')  # Fails in Numpy 1.16
Traceback (most recent call last):
   File "<stdin>", line 1, in <module>
ValueError: When changing to a smaller dtype, its size must be a divisor of the size of original dtype

将需要更改。此代码自 Numpy 1.12 以来引发了 FutureWarning，类似的代码自 1.7 以来引发了 FutureWarning。

在 1.16 中，numpy.lib.recfunctions 模块中引入了许多函数来帮助用户解决此更改。这些是 numpy.lib.recfunctions.repack_fields。 numpy.lib.recfunctions.structured_to_unstructured，numpy.lib.recfunctions.unstructured_to_structured，numpy.lib.recfunctions.apply_along_fields，numpy.lib.recfunctions.assign_fields_by_name 和 numpy.lib.recfunctions.require_fields。

函数 numpy.lib.recfunctions.repack_fields 始终可以用来重现旧的行为，因为它将返回结构化数组的打包副本。例如，上面的代码可以替换为

>>> from numpy.lib.recfunctions import repack_fields
>>> repack_fields(a[['a', 'c']]).view('i8')  # supported in 1.16
array([0, 0, 0])

此外，numpy 现在提供了一个新函数 numpy.lib.recfunctions.structured_to_unstructured，它对于希望将结构化数组转换为非结构化数组的用户来说是一个更安全、更有效的替代方案，因为上面的视图通常是想要这样做的。此函数允许安全地转换为非结构化类型，同时考虑填充，通常可以避免复制，并且还可以根据需要强制转换数据类型，与视图不同。例如，以下代码

>>> b = np.zeros(3, dtype=[('x', 'f4'), ('y', 'f4'), ('z', 'f4')])
>>> b[['x', 'z']].view('f4')
array([0., 0., 0., 0., 0., 0., 0., 0., 0.], dtype=float32)

可以通过替换为以下代码来使其更安全

>>> from numpy.lib.recfunctions import structured_to_unstructured
>>> structured_to_unstructured(b[['x', 'z']])
array([[0., 0.],
       [0., 0.],
       [0., 0.]], dtype=float32)

分配给具有多字段索引的数组会修改原始数组

>>> a[['a', 'c']] = (2, 3)
>>> a
array([(2, 0, 3.), (2, 0, 3.), (2, 0, 3.)],
      dtype=[('a', '<i4'), ('b', '<i4'), ('c', '<f4')])

这遵循上面描述的结构化数组赋值规则。例如，这意味着可以使用适当的多字段索引交换两个字段的值

>>> a[['a', 'c']] = a[['c', 'a']]

使用整数索引获取结构化标量

索引结构化数组的单个元素（使用整数索引）将返回一个结构化标量

>>> x = np.array([(1, 2., 3.)], dtype='i, f, f')
>>> scalar = x[0]
>>> scalar
np.void((1, 2.0, 3.0), dtype=[('f0', '<i4'), ('f1', '<f4'), ('f2', '<f4')])
>>> type(scalar)
<class 'numpy.void'>

与其他 numpy 标量不同，结构化标量是可变的，并且充当原始数组的视图，因此修改标量将修改原始数组。结构化标量也支持按字段名称访问和赋值

>>> x = np.array([(1, 2), (3, 4)], dtype=[('foo', 'i8'), ('bar', 'f4')])
>>> s = x[0]
>>> s['bar'] = 100
>>> x
array([(1, 100.), (3, 4.)],
      dtype=[('foo', '<i8'), ('bar', '<f4')])

与元组类似，结构化标量也可以使用整数索引

>>> scalar = np.array([(1, 2., 3.)], dtype='i, f, f')[0]
>>> scalar[0]
1
>>> scalar[1] = 4

因此，元组可以被认为是 numpy 结构化类型的原生 Python 等效类型，就像原生 Python 整数是 numpy 整数类型的等效类型一样。结构化标量可以通过调用 numpy.ndarray.item 转换为元组

>>> scalar.item(), type(scalar.item())
((1, 4.0, 3.0), <class 'tuple'>)

查看包含对象的结构化数组

为了防止在类型为 object 的字段中覆盖对象指针，numpy 目前不允许查看包含对象的结构化数组。

结构比较和提升

如果两个 void 结构化数组的 dtype 相等，则测试数组的相等性将导致一个具有原始数组维度的布尔数组，其元素设置为 True，其中对应结构的所有字段都相等

>>> a = np.array([(1, 1), (2, 2)], dtype=[('a', 'i4'), ('b', 'i4')])
>>> b = np.array([(1, 1), (2, 3)], dtype=[('a', 'i4'), ('b', 'i4')])
>>> a == b
array([True, False])

NumPy 将提升单个字段数据类型以执行比较。因此，以下也是有效的（注意 'a' 字段的 'f4' dtype）

>>> b = np.array([(1.0, 1), (2.5, 2)], dtype=[("a", "f4"), ("b", "i4")])
>>> a == b
array([True, False])

要比较两个结构化数组，必须能够将它们提升到 numpy.result_type 和 numpy.promote_types 返回的通用 dtype。这强制要求字段数量、字段名称和字段标题完全匹配。当提升不可行时，例如由于字段名称不匹配，NumPy 将引发错误。两个结构化 dtype 之间的提升会产生一个规范的 dtype，确保所有字段的本机字节序

>>> np.result_type(np.dtype("i,>i"))
dtype([('f0', '<i4'), ('f1', '<i4')])
>>> np.result_type(np.dtype("i,>i"), np.dtype("i,i"))
dtype([('f0', '<i4'), ('f1', '<i4')])

从提升产生的 dtype 也保证是打包的，这意味着所有字段都是连续排列的，并且删除了所有不必要的填充

>>> dt = np.dtype("i1,V3,i4,V1")[["f0", "f2"]]
>>> dt
dtype({'names':['f0','f2'], 'formats':['i1','<i4'], 'offsets':[0,4], 'itemsize':9})
>>> np.result_type(dt)
dtype([('f0', 'i1'), ('f2', '<i4')])

请注意，结果打印不带 offsets 或 itemsize，表明没有额外的填充。如果使用 align=True 创建一个结构化 dtype 以确保 dtype.isalignedstruct 为真，则此属性将保留

>>> dt = np.dtype("i1,V3,i4,V1", align=True)[["f0", "f2"]]
>>> dt
dtype({'names':['f0','f2'], 'formats':['i1','<i4'], 'offsets':[0,4], 'itemsize':12}, align=True)
>>> np.result_type(dt)
dtype([('f0', 'i1'), ('f2', '<i4')], align=True)
>>> np.result_type(dt).isalignedstruct
True

提升多个 dtype 时，如果任何输入是已对齐的，则结果也会对齐

>>> np.result_type(np.dtype("i,i"), np.dtype("i,i", align=True))
dtype([('f0', '<i4'), ('f1', '<i4')], align=True)

当比较 void 结构化数组时，< 和 > 运算符始终返回 False，并且不支持算术和位运算。

在版本 1.23 中更改: 在 NumPy 1.23 之前，如果提升到通用 dtype 失败，则会发出警告并返回 False。此外，提升更加严格：它将拒绝上面混合浮点数/整数比较的示例。

记录数组

为了方便起见，numpy 提供了一个 ndarray 子类，numpy.recarray，它允许通过属性而不是仅通过索引访问结构化数组的字段。记录数组使用一种特殊的数据类型，numpy.record，它允许从数组获取的结构化标量按属性访问字段。numpy.rec 模块提供从各种对象创建 recarray 的函数。在 numpy.lib.recfunctions 中可以找到用于创建和操作结构化数组的其他辅助函数。

创建记录数组最简单的方法是使用 numpy.rec.array

>>> recordarr = np.rec.array([(1, 2., 'Hello'), (2, 3., "World")],
...                    dtype=[('foo', 'i4'),('bar', 'f4'), ('baz', 'S10')])
>>> recordarr.bar
array([2., 3.], dtype=float32)
>>> recordarr[1:2]
rec.array([(2, 3., b'World')],
      dtype=[('foo', '<i4'), ('bar', '<f4'), ('baz', 'S10')])
>>> recordarr[1:2].foo
array([2], dtype=int32)
>>> recordarr.foo[1:2]
array([2], dtype=int32)
>>> recordarr[1].baz
b'World'

numpy.rec.array 可以将各种参数（包括结构化数组）转换为记录数组

>>> arr = np.array([(1, 2., 'Hello'), (2, 3., "World")],
...             dtype=[('foo', 'i4'), ('bar', 'f4'), ('baz', 'S10')])
>>> recordarr = np.rec.array(arr)

numpy.rec 模块提供了一些其他方便的函数来创建记录数组，请参见 记录数组创建例程。

可以使用适当的 view 获取结构化数组的记录数组表示

>>> arr = np.array([(1, 2., 'Hello'), (2, 3., "World")],
...                dtype=[('foo', 'i4'),('bar', 'f4'), ('baz', 'S10')])
>>> recordarr = arr.view(dtype=np.dtype((np.record, arr.dtype)),
...                      type=np.recarray)

为了方便起见，将 ndarray 视为类型 numpy.recarray 将自动转换为 numpy.record 数据类型，因此可以从视图中省略 dtype

>>> recordarr = arr.view(np.recarray)
>>> recordarr.dtype
dtype((numpy.record, [('foo', '<i4'), ('bar', '<f4'), ('baz', 'S10')]))

要恢复为普通 ndarray，必须重置 dtype 和类型。以下视图会这样做，并考虑了 recordarr 不是结构化类型的不寻常情况

>>> arr2 = recordarr.view(recordarr.dtype.fields or recordarr.dtype, np.ndarray)

通过索引或属性访问的记录数组字段将作为记录数组返回，如果字段具有结构化类型，否则将作为普通 ndarray 返回。

>>> recordarr = np.rec.array([('Hello', (1, 2)), ("World", (3, 4))],
...                 dtype=[('foo', 'S6'),('bar', [('A', int), ('B', int)])])
>>> type(recordarr.foo)
<class 'numpy.ndarray'>
>>> type(recordarr.bar)
<class 'numpy.rec.recarray'>

请注意，如果字段与 ndarray 属性具有相同的名称，则 ndarray 属性优先。这样的字段将无法通过属性访问，但仍然可以通过索引访问。

Recarray 辅助函数

用于操作结构化数组的实用程序集合。

这些函数中的大多数最初是由 John Hunter 为 matplotlib 实现的。它们已经过重写和扩展以方便使用。

numpy.lib.recfunctions.append_fields(base, names, data, dtypes=None, fill_value=-1, usemask=True, asrecarray=False)

向现有数组添加新字段。

字段的名称使用 names 参数给出，相应的字段值使用 data 参数给出。如果附加单个字段，则 names、data 和 dtypes 不必是列表，而只是值。

参数:

basearray

要扩展的输入数组。

namesstring, sequence

字符串或字符串序列，对应于新字段的名称。

dataarray or sequence of arrays

数组或数组序列，存储要添加到基本数组的字段。

dtypessequence of datatypes, optional

数据类型或数据类型序列。如果为 None，则从 data 估算数据类型。

fill_value{float}, optional

用于填充较短数组上缺少数据的填充值。

usemask{False, True}, optional

是否返回掩码数组。

asrecarray{False, True}, optional

是否返回 recarray (MaskedRecords)。

numpy.lib.recfunctions.apply_along_fields(func, arr)

将函数 “func” 作为约简应用于结构化数组的字段。

这类似于 numpy.apply_along_axis，但将结构化数组的字段视为一个额外的轴。所有字段首先根据 numpy.result_type 应用于字段的 dtype 的类型提升规则转换为共同类型。

参数:

func函数

要应用于“字段”维度的函数。此函数必须支持 axis 参数，例如 numpy.mean，numpy.sum 等。

arrndarray

要应用 func 的结构化数组。

返回:

outndarray

约简操作的结果

示例

>>> import numpy as np

>>> from numpy.lib import recfunctions as rfn
>>> b = np.array([(1, 2, 5), (4, 5, 7), (7, 8 ,11), (10, 11, 12)],
...              dtype=[('x', 'i4'), ('y', 'f4'), ('z', 'f8')])
>>> rfn.apply_along_fields(np.mean, b)
array([ 2.66666667,  5.33333333,  8.66666667, 11.        ])
>>> rfn.apply_along_fields(np.mean, b[['x', 'z']])
array([ 3. ,  5.5,  9. , 11. ])

numpy.lib.recfunctions.assign_fields_by_name(dst, src, zero_unassigned=True)

根据字段名称将值从一个结构化数组分配到另一个结构化数组。

通常在 numpy >= 1.14 中，一个结构化数组到另一个结构化数组的赋值是“按位置”复制字段，这意味着 src 中的第一个字段被复制到 dst 的第一个字段，以此类推，无论字段名称如何。

此函数改为“按字段名称”复制，使得 dst 中的字段从 src 中同名字段分配。这适用于嵌套结构的递归。这是 numpy >= 1.6 到 <= 1.13 的结构赋值方式。

参数:

dstndarray

srcndarray

赋值过程中的源数组和目标数组。

zero_unassignedbool，可选

如果为 True，则 dst 中没有在 src 中找到匹配字段的字段将用值 0（零）填充。这是 numpy <= 1.13 的行为。如果为 False，则这些字段不会被修改。

numpy.lib.recfunctions.drop_fields(base, drop_names, usemask=True, asrecarray=False)

返回一个新的数组，其中删除了 drop_names 中的字段。

支持嵌套字段。

在版本 1.18.0 中更改： drop_fields 如果所有字段都被删除，则返回一个具有 0 个字段的数组，而不是像以前那样返回 None。

参数:

basearray

输入数组

drop_names字符串或序列

字符串或字符串序列，对应于要删除的字段的名称。

usemask{False, True}, optional

是否返回掩码数组。

asrecarray字符串或序列，可选

是否返回 recarray 或 mrecarray (asrecarray=True) 或具有灵活 dtype 的普通 ndarray 或掩码数组。默认值为 False。

示例

>>> import numpy as np
>>> from numpy.lib import recfunctions as rfn
>>> a = np.array([(1, (2, 3.0)), (4, (5, 6.0))],
...   dtype=[('a', np.int64), ('b', [('ba', np.double), ('bb', np.int64)])])
>>> rfn.drop_fields(a, 'a')
array([((2., 3),), ((5., 6),)],
      dtype=[('b', [('ba', '<f8'), ('bb', '<i8')])])
>>> rfn.drop_fields(a, 'ba')
array([(1, (3,)), (4, (6,))], dtype=[('a', '<i8'), ('b', [('bb', '<i8')])])
>>> rfn.drop_fields(a, ['ba', 'bb'])
array([(1,), (4,)], dtype=[('a', '<i8')])

numpy.lib.recfunctions.find_duplicates(a, key=None, ignoremask=True, return_index=False)

在给定键的结构化数组中查找重复项。

参数:

a类数组

输入数组

key{字符串，无}，可选

要检查重复项的字段名称。如果为 None，则按记录进行搜索。

ignoremask{True, False}，可选

是否应丢弃掩码数据或将其视为重复项。

return_index{False, True}，可选

是否返回重复值的索引。

示例

>>> import numpy as np
>>> from numpy.lib import recfunctions as rfn
>>> ndtype = [('a', int)]
>>> a = np.ma.array([1, 1, 1, 2, 2, 3, 3],
...         mask=[0, 0, 1, 0, 0, 0, 1]).view(ndtype)
>>> rfn.find_duplicates(a, ignoremask=True, return_index=True)
(masked_array(data=[(1,), (1,), (2,), (2,)],
             mask=[(False,), (False,), (False,), (False,)],
       fill_value=(999999,),
            dtype=[('a', '<i8')]), array([0, 1, 3, 4]))

numpy.lib.recfunctions.flatten_descr(ndtype)

展平结构化数据类型描述。

示例

>>> import numpy as np
>>> from numpy.lib import recfunctions as rfn
>>> ndtype = np.dtype([('a', '<i4'), ('b', [('ba', '<f8'), ('bb', '<i4')])])
>>> rfn.flatten_descr(ndtype)
(('a', dtype('int32')), ('ba', dtype('float64')), ('bb', dtype('int32')))

numpy.lib.recfunctions.get_fieldstructure(adtype, lastname=None, parents=None)

返回一个字典，其中字段索引为其父字段的列表。

此函数用于简化对嵌套在其他字段中的字段的访问。

参数:

adtypenp.dtype

输入数据类型

lastname可选

最后一个处理的字段名称（在递归期间内部使用）。

parents字典

父字段字典（在递归期间内部使用）。

示例

>>> import numpy as np
>>> from numpy.lib import recfunctions as rfn
>>> ndtype =  np.dtype([('A', int),
...                     ('B', [('BA', int),
...                            ('BB', [('BBA', int), ('BBB', int)])])])
>>> rfn.get_fieldstructure(ndtype)
... # XXX: possible regression, order of BBA and BBB is swapped
{'A': [], 'B': [], 'BA': ['B'], 'BB': ['B'], 'BBA': ['B', 'BB'], 'BBB': ['B', 'BB']}

numpy.lib.recfunctions.get_names(adtype)

将输入数据类型的字段名称作为元组返回。输入数据类型必须具有字段，否则会引发错误。

参数:

adtypedtype

输入数据类型

示例

>>> import numpy as np
>>> from numpy.lib import recfunctions as rfn
>>> rfn.get_names(np.empty((1,), dtype=[('A', int)]).dtype)
('A',)
>>> rfn.get_names(np.empty((1,), dtype=[('A',int), ('B', float)]).dtype)
('A', 'B')
>>> adtype = np.dtype([('a', int), ('b', [('ba', int), ('bb', int)])])
>>> rfn.get_names(adtype)
('a', ('b', ('ba', 'bb')))

numpy.lib.recfunctions.get_names_flat(adtype)

将输入数据类型的字段名称作为元组返回。输入数据类型必须具有字段，否则会引发错误。嵌套结构将事先展平。

参数:

adtypedtype

输入数据类型

示例

>>> import numpy as np
>>> from numpy.lib import recfunctions as rfn
>>> rfn.get_names_flat(np.empty((1,), dtype=[('A', int)]).dtype) is None
False
>>> rfn.get_names_flat(np.empty((1,), dtype=[('A',int), ('B', str)]).dtype)
('A', 'B')
>>> adtype = np.dtype([('a', int), ('b', [('ba', int), ('bb', int)])])
>>> rfn.get_names_flat(adtype)
('a', 'b', 'ba', 'bb')

numpy.lib.recfunctions.join_by(key, r1, r2, jointype='inner', r1postfix='1', r2postfix='2', defaults=None, usemask=True, asrecarray=False)

在键 key 上连接数组 r1 和 r2。

键应为字符串或字符串序列，对应于用于连接数组的字段。如果在两个输入数组中都找不到 key 字段，则会引发异常。 r1 和 r2 都应该在 key 上没有任何重复项：重复项的存在会使输出非常不可靠。请注意，算法不会查找重复项。

参数:

key{字符串，序列}

字符串或字符串序列，对应于用于比较的字段。

r1, r2数组

结构化数组。

jointype{‘inner’, ‘outer’, ‘leftouter’}，可选

如果为 ‘inner’，则返回 r1 和 r2 共有的元素。如果为 ‘outer’，则返回公共元素以及 r1 中不在 r2 中的元素以及不在 r2 中的元素。如果为 ‘leftouter’，则返回公共元素以及 r1 中不在 r2 中的元素。

r1postfix字符串，可选

字符串附加到 r1 中的字段的名称，这些字段存在于 r2 中但不存在于键中。

r2postfix字符串，可选

字符串附加到 r2 中的字段的名称，这些字段存在于 r1 中但不存在于键中。

defaults{字典}，可选

字典将字段名称映射到相应的默认值。

usemask{True, False}，可选

是否返回 MaskedArray（或 asrecarray==True 时为 MaskedRecords）或 ndarray。

asrecarray{False, True}, optional

是否返回 recarray（或 usemask==True 时为 MaskedRecords）或仅返回灵活类型的 ndarray。

备注

• 输出按键排序。

• 通过删除两个数组中不在键中的字段并连接结果来形成一个临时数组。然后对该数组进行排序，并选择公共条目。输出通过用选定条目填充字段来构造。如果存在一些重复项，匹配将不会被保留……

numpy.lib.recfunctions.merge_arrays(seqarrays, fill_value=-1, flatten=False, usemask=False, asrecarray=False)

逐字段合并数组。

参数:

seqarraysndarray 序列

数组序列

fill_value{float}, optional

用于填充较短数组上缺少数据的填充值。

flatten{False, True}，可选

是否折叠嵌套字段。

usemask{False, True}, optional

是否返回掩码数组。

asrecarray{False, True}, optional

是否返回 recarray (MaskedRecords)。

备注

• 在没有掩码的情况下，缺失值将用其他东西填充，具体取决于其对应类型

  • -1 对于整数

  • -1.0 对于浮点数

  • '-' 对于字符

  • '-1' 对于字符串

  • True 对于布尔值

• XXX：我只是通过经验获得了这些值

示例

>>> import numpy as np
>>> from numpy.lib import recfunctions as rfn
>>> rfn.merge_arrays((np.array([1, 2]), np.array([10., 20., 30.])))
array([( 1, 10.), ( 2, 20.), (-1, 30.)],
      dtype=[('f0', '<i8'), ('f1', '<f8')])

>>> rfn.merge_arrays((np.array([1, 2], dtype=np.int64),
...         np.array([10., 20., 30.])), usemask=False)
 array([(1, 10.0), (2, 20.0), (-1, 30.0)],
         dtype=[('f0', '<i8'), ('f1', '<f8')])
>>> rfn.merge_arrays((np.array([1, 2]).view([('a', np.int64)]),
...               np.array([10., 20., 30.])),
...              usemask=False, asrecarray=True)
rec.array([( 1, 10.), ( 2, 20.), (-1, 30.)],
          dtype=[('a', '<i8'), ('f1', '<f8')])

numpy.lib.recfunctions.rec_append_fields(base, names, data, dtypes=None)

向现有数组添加新字段。

字段的名称使用 names 参数给出，相应的字段值使用 data 参数给出。如果附加单个字段，则 names、data 和 dtypes 不必是列表，而只是值。

参数:

basearray

要扩展的输入数组。

namesstring, sequence

字符串或字符串序列，对应于新字段的名称。

dataarray or sequence of arrays

数组或数组序列，存储要添加到基本数组的字段。

dtypessequence of datatypes, optional

数据类型或数据类型序列。如果为 None，则从 data 估算数据类型。

返回:

appended_arraynp.recarray

另请参阅

append_fields

numpy.lib.recfunctions.rec_drop_fields(base, drop_names)

返回一个新的 numpy.recarray，其中删除了 drop_names 中的字段。

numpy.lib.recfunctions.rec_join(key, r1, r2, jointype='inner', r1postfix='1', r2postfix='2', defaults=None)

在键上连接数组 r1 和 r2。join_by 的替代方案，始终返回 np.recarray。

另请参阅

join_by

等效函数

numpy.lib.recfunctions.recursive_fill_fields(input, output)

使用嵌套结构从输出数组中填充输入数组的字段。

参数:

inputndarray

输入数组。

outputndarray

输出数组。

备注

• output 数组的大小应至少与 input 数组大小相同。

示例

>>> import numpy as np
>>> from numpy.lib import recfunctions as rfn
>>> a = np.array([(1, 10.), (2, 20.)], dtype=[('A', np.int64), ('B', np.float64)])
>>> b = np.zeros((3,), dtype=a.dtype)
>>> rfn.recursive_fill_fields(a, b)
array([(1, 10.), (2, 20.), (0,  0.)], dtype=[('A', '<i8'), ('B', '<f8')])

numpy.lib.recfunctions.rename_fields(base, namemapper)

重命名灵活数据类型 ndarray 或 recarray 的字段。

支持嵌套字段。

参数:

basendarray

需要修改其字段的输入数组。

namemapperdictionary

字典，映射旧字段名到其新版本。

示例

>>> import numpy as np
>>> from numpy.lib import recfunctions as rfn
>>> a = np.array([(1, (2, [3.0, 30.])), (4, (5, [6.0, 60.]))],
...   dtype=[('a', int),('b', [('ba', float), ('bb', (float, 2))])])
>>> rfn.rename_fields(a, {'a':'A', 'bb':'BB'})
array([(1, (2., [ 3., 30.])), (4, (5., [ 6., 60.]))],
      dtype=[('A', '<i8'), ('b', [('ba', '<f8'), ('BB', '<f8', (2,))])])

numpy.lib.recfunctions.repack_fields(a, align=False, recurse=False)

在内存中重新打包结构化数组或 dtype 的字段。

结构化数据类型的内存布局允许字段位于任意字节偏移量处。这意味着字段可以被填充字节隔开，它们的偏移量可以是非单调递增的，并且它们可以重叠。

此方法将删除任何重叠，并将字段在内存中重新排序，使它们具有递增的字节偏移量，并根据 align 选项添加或删除填充字节，该选项的行为类似于 numpy.dtype 的 align 选项。

如果 align=False，此方法将生成“打包”内存布局，其中每个字段从前一个字段结束的字节开始，并且任何填充字节都将被删除。

如果 align=True，此方法将生成“对齐”内存布局，其中每个字段的偏移量是其对齐倍数，并且总的项目大小是最大对齐倍数，通过根据需要添加填充字节来实现。

参数:

andarray or dtype

需要重新打包其字段的数组或 dtype。

alignboolean

如果为 True，则使用“对齐”内存布局，否则使用“打包”布局。

recurseboolean

如果为 True，则还重新打包嵌套结构。

返回:

repackedndarray or dtype

字段重新打包的 a 的副本，如果不需要重新打包，则为 a 本身。

示例

>>> import numpy as np

>>> from numpy.lib import recfunctions as rfn
>>> def print_offsets(d):
...     print("offsets:", [d.fields[name][1] for name in d.names])
...     print("itemsize:", d.itemsize)
...
>>> dt = np.dtype('u1, <i8, <f8', align=True)
>>> dt
dtype({'names': ['f0', 'f1', 'f2'], 'formats': ['u1', '<i8', '<f8'], 'offsets': [0, 8, 16], 'itemsize': 24}, align=True)
>>> print_offsets(dt)
offsets: [0, 8, 16]
itemsize: 24
>>> packed_dt = rfn.repack_fields(dt)
>>> packed_dt
dtype([('f0', 'u1'), ('f1', '<i8'), ('f2', '<f8')])
>>> print_offsets(packed_dt)
offsets: [0, 1, 9]
itemsize: 17

numpy.lib.recfunctions.require_fields(array, required_dtype)

使用按字段名称分配将结构化数组转换为新的 dtype。

此函数按名称从旧数组分配到新数组，因此输出数组中字段的值是源数组中具有相同名称的字段的值。这将创建包含 required_dtype “要求”的字段的新 ndarray 的效果。

如果 required_dtype 中的字段名称在输入数组中不存在，则将创建该字段并在输出数组中将其设置为 0。

参数:

andarray

要转换的数组

required_dtypedtype

输出数组的数据类型

返回:

outndarray

具有新 dtype 的数组，其字段值从输入数组中具有相同名称的字段复制而来

示例

>>> import numpy as np

>>> from numpy.lib import recfunctions as rfn
>>> a = np.ones(4, dtype=[('a', 'i4'), ('b', 'f8'), ('c', 'u1')])
>>> rfn.require_fields(a, [('b', 'f4'), ('c', 'u1')])
array([(1., 1), (1., 1), (1., 1), (1., 1)],
  dtype=[('b', '<f4'), ('c', 'u1')])
>>> rfn.require_fields(a, [('b', 'f4'), ('newf', 'u1')])
array([(1., 0), (1., 0), (1., 0), (1., 0)],
  dtype=[('b', '<f4'), ('newf', 'u1')])

numpy.lib.recfunctions.stack_arrays(arrays, defaults=None, usemask=True, asrecarray=False, autoconvert=False)

按字段将数组叠加在一起

参数:

arraysarray or sequence

输入数组的序列。

defaultsdictionary, optional

字典将字段名称映射到相应的默认值。

usemask{True, False}，可选

是否返回 MaskedArray（或 asrecarray==True 时为 MaskedRecords）或 ndarray。

asrecarray{False, True}, optional

是否返回 recarray（或 usemask==True 时为 MaskedRecords）或仅返回灵活类型的 ndarray。

autoconvert{False, True}, optional

是否自动将字段类型转换为最大类型。

示例

>>> import numpy as np
>>> from numpy.lib import recfunctions as rfn
>>> x = np.array([1, 2,])
>>> rfn.stack_arrays(x) is x
True
>>> z = np.array([('A', 1), ('B', 2)], dtype=[('A', '|S3'), ('B', float)])
>>> zz = np.array([('a', 10., 100.), ('b', 20., 200.), ('c', 30., 300.)],
...   dtype=[('A', '|S3'), ('B', np.double), ('C', np.double)])
>>> test = rfn.stack_arrays((z,zz))
>>> test
masked_array(data=[(b'A', 1.0, --), (b'B', 2.0, --), (b'a', 10.0, 100.0),
                   (b'b', 20.0, 200.0), (b'c', 30.0, 300.0)],
             mask=[(False, False,  True), (False, False,  True),
                   (False, False, False), (False, False, False),
                   (False, False, False)],
       fill_value=(b'N/A', 1e+20, 1e+20),
            dtype=[('A', 'S3'), ('B', '<f8'), ('C', '<f8')])

numpy.lib.recfunctions.structured_to_unstructured(arr, dtype=None, copy=False, casting='unsafe')

将 n 维结构化数组转换为 (n+1) 维非结构化数组。

新数组将具有一个新的最后一个维度，其大小等于输入数组的字段元素数量。如果未提供，则输出数据类型将根据应用于所有字段数据类型的 NumPy 类型提升规则确定。

嵌套字段以及任何子数组字段的每个元素都算作一个字段元素。

参数:

arrndarray

要转换的结构化数组或 dtype。不能包含对象数据类型。

dtypedtype, optional

输出非结构化数组的 dtype。

copybool, optional

如果为 True，则始终返回副本。如果为 False，则在可能的情况下返回视图，例如当字段的 dtype 和步长适合，并且数组子类型是 numpy.ndarray、numpy.recarray 或 numpy.memmap 时。

在版本 1.25.0 中更改: 现在如果字段由统一的步长隔开，则可以返回视图。

casting{‘no’, ‘equiv’, ‘safe’, ‘same_kind’, ‘unsafe’}, optional

参见 numpy.ndarray.astype 的 casting 参数。控制可能发生的数据转换类型。

返回:

unstructuredndarray

具有一个更多维度的非结构化数组。

示例

>>> import numpy as np

>>> from numpy.lib import recfunctions as rfn
>>> a = np.zeros(4, dtype=[('a', 'i4'), ('b', 'f4,u2'), ('c', 'f4', 2)])
>>> a
array([(0, (0., 0), [0., 0.]), (0, (0., 0), [0., 0.]),
       (0, (0., 0), [0., 0.]), (0, (0., 0), [0., 0.])],
      dtype=[('a', '<i4'), ('b', [('f0', '<f4'), ('f1', '<u2')]), ('c', '<f4', (2,))])
>>> rfn.structured_to_unstructured(a)
array([[0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0.]])

>>> b = np.array([(1, 2, 5), (4, 5, 7), (7, 8 ,11), (10, 11, 12)],
...              dtype=[('x', 'i4'), ('y', 'f4'), ('z', 'f8')])
>>> np.mean(rfn.structured_to_unstructured(b[['x', 'z']]), axis=-1)
array([ 3. ,  5.5,  9. , 11. ])

numpy.lib.recfunctions.unstructured_to_structured(arr, dtype=None, names=None, align=False, copy=False, casting='unsafe')

将 n 维非结构化数组转换为 (n-1) 维结构化数组。

输入数组的最后一个维度将转换为结构，其字段元素数量等于输入数组最后一个维度的大小。默认情况下，所有输出字段都具有输入数组的 dtype，但可以提供具有相同字段元素数量的输出结构化 dtype。

嵌套字段以及任何子数组字段的每个元素都计入字段元素数量。

参数:

arrndarray

要转换的非结构化数组或 dtype。

dtypedtype, optional

输出数组的结构化 dtype

nameslist of strings, optional

如果未提供 dtype，则按顺序指定输出 dtype 的字段名称。字段 dtype 将与输入数组相同。

alignboolean, optional

是否创建对齐内存布局。

copybool, optional

参见 numpy.ndarray.astype 的 copy 参数。如果为 True，则始终返回副本。如果为 False 并且满足 dtype 要求，则返回视图。

casting{‘no’, ‘equiv’, ‘safe’, ‘same_kind’, ‘unsafe’}, optional

参见 numpy.ndarray.astype 的 casting 参数。控制可能发生的数据转换类型。

返回:

structuredndarray

具有较少维度的结构化数组。

示例

>>> import numpy as np

>>> from numpy.lib import recfunctions as rfn
>>> dt = np.dtype([('a', 'i4'), ('b', 'f4,u2'), ('c', 'f4', 2)])
>>> a = np.arange(20).reshape((4,5))
>>> a
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14],
       [15, 16, 17, 18, 19]])
>>> rfn.unstructured_to_structured(a, dt)
array([( 0, ( 1.,  2), [ 3.,  4.]), ( 5, ( 6.,  7), [ 8.,  9.]),
       (10, (11., 12), [13., 14.]), (15, (16., 17), [18., 19.])],
      dtype=[('a', '<i4'), ('b', [('f0', '<f4'), ('f1', '<u2')]), ('c', '<f4', (2,))])