结构化数组#

简介#

结构化数组是 ndarray，其数据类型由更简单的数据类型组成，这些数据类型以命名字段的序列形式组织。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')])

这里 x 是一个长度为 2 的一维数组，其数据类型是一个包含三个字段的结构：1. 一个名为“name”的长度为 10 或更短的字符串，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。

如果你索引 x 的位置 1，你将得到一个结构：

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

你可以通过字段名索引来访问和修改结构化数组的单个字段

>>> 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模仿 C 语言中的“结构体”，并共享类似的内存布局。它们用于与 C 代码进行接口交互，以及对结构化缓冲区进行低级操作，例如解释二进制大对象。为此，它们支持子数组、嵌套数据类型和联合等特殊功能，并允许控制结构的内存布局。

希望操作表格数据（例如存储在 CSV 文件中的数据）的用户可能会发现其他 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高级接口，并且为此类用途进行了更好的优化。例如，与这些项目相比，NumPy 中结构化数组的类 C 结构体内存布局可能导致较差的缓存行为。

结构化数据类型#

结构化数据类型可以被视为特定长度（结构的itemsize）的字节序列，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，以及在结构内的字节偏移量。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，它也可以是表现为指定形状的 ndarray 的子数组数据类型。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。共有 4 种备选的规范形式，它们在灵活性和简洁性上有所不同。这些在数据类型对象参考页面中有进一步的文档说明，概括如下：

  1. 元组列表，每个字段一个元组

    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，请参阅下面的字段标题），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 ''，则该字段将被赋予一个默认名称，形式为 f#，其中 # 是该字段的整数索引，从左侧开始计数，从 0 开始。

    >>> 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和总结构 itemsize 会自动确定。

  2. 逗号分隔的 dtype 规范字符串

    在这种速记表示法中，任何字符串 dtype 规范都可以在字符串中使用并用逗号分隔。字段的 itemsize 和字节偏移量会自动确定，并且字段名称会被赋予默认名称 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和结构的 itemsize。

    该字典有两个必需的键：‘names’ 和 ‘formats’，以及四个可选键：‘offsets’、‘itemsize’、‘aligned’ 和 ‘titles’。‘names’ 和 ‘formats’ 的值应分别是字段名称列表和 dtype 规范列表，长度相同。可选的 ‘offsets’ 值应是一个整数字节偏移量列表，结构中每个字段一个。如果未给出 ‘offsets’，则偏移量会自动确定。可选的 ‘itemsize’ 值应是一个整数，描述 dtype 的总字节大小，它必须足够大以包含所有字段。

    >>> 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})

    偏移量可以选择使字段重叠，尽管这意味着给一个字段赋值可能会覆盖任何重叠字段的数据。但有一个例外，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解引用的风险。

    可选的 ‘aligned’ 值可以设置为 True，以使自动偏移计算使用对齐偏移量（参见自动字节偏移和对齐），就像 numpy.dtype 的 ‘align’ 关键字参数已设置为 True 一样。

    可选的 ‘titles’ 值应是一个与 ‘names’ 长度相同的标题列表，参见下面的字段标题。

  4. 字段名称字典

    字典的键是字段名称，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')])

    这种形式曾不被鼓励，因为在 Python 3.6 之前的版本中，Python 字典不保留顺序。字段标题可以通过使用 3 元组来指定，详见下文。

操作和显示结构化数据类型#

结构化数据类型的字段名称列表可以在 dtype 对象的 names 属性中找到

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

每个单独字段的 dtype 可以通过名称查找

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

字段名称可以通过使用相同长度的字符串序列赋值给 names 属性来修改。

dtype 对象还具有一个类似字典的属性 fields，其键是字段名称（和字段标题，详见下文），其值是包含每个字段的 dtype 和字节偏移量的元组。

>>> 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。建议的测试 dtype 是否为结构化的方法是使用 if dt.names is not None 而不是 if dt.names，以考虑到包含 0 个字段的 dtype。

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

自动字节偏移和对齐#

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和总 itemsize，具体取决于 numpy.dtype 是否将 align=True 指定为关键字参数。

默认情况下（align=False），NumPy 会将字段打包在一起，使每个字段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 将以许多 C 编译器填充 C 结构体的方式填充结构。对齐的结构在某些情况下可以提高性能，但代价是数据类型大小增加。填充字节会插入到字段之间，使得每个字段的字节偏移量将是该字段对齐的倍数，这对于简单数据类型通常等于字段的字节大小，参见 PyArray_Descr.alignment。结构还会添加尾部填充，使其 itemsize 是最大字段对齐的倍数。

>>> 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 编译器默认都以这种方式填充，但 C 结构体中的填充是 C 实现相关的，因此这种内存布局不保证与 C 程序中相应结构体完全匹配。为了获得精确的对应关系，可能需要在 NumPy 端或 C 端进行一些工作。

如果在基于字典的 dtype 规范中使用了可选的 offsets 键来指定偏移量，那么设置 align=True 将检查每个字段的偏移量是否为其大小的倍数，以及 itemsize 是否是最大字段大小的倍数，如果不是，则会引发异常。

如果结构化数组的字段偏移量和 itemsize 满足对齐条件，则该数组将设置 ALIGNED 标志。

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。它接受 dtype 或结构化 ndarray 作为参数，并返回一个字段重新打包（带或不带填充字节）的副本。

字段标题#

除了字段名称，字段还可以有一个关联的标题，即一个备用名称，有时用作字段的额外描述或别名。标题可以像字段名称一样用于索引数组。

当使用元组列表形式的 dtype 规范添加标题时，字段名称可以指定为两个字符串的元组，而不是单个字符串，这将分别是字段的标题和字段名称。例如：

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

当使用第一种基于字典的规范形式时，标题可以作为额外的 'titles' 键提供，如上所述。当使用第二种（不推荐的）基于字典的规范形式时，标题可以通过提供一个 3 元素元组 (datatype, offset, title) 来提供，而不是通常的 2 元素元组。

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

如果使用了任何标题，dtype.fields 字典将包含标题作为键。这实际上意味着带有标题的字段将在字段字典中表示两次。这些字段的元组值也将有第三个元素，即字段标题。因此，并且由于 names 属性保留字段顺序而 fields 属性可能不保留，建议使用 dtype 的 names 属性遍历 dtype 的字段，它不会列出标题，如下所示：

>>> 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 中默认实现为基类型 numpy.void，但可以使用 数据类型对象 中描述的 (base_dtype, dtype) 形式的 dtype 规范将其他 NumPy 类型解释为结构化类型。在这里，base_dtype 是所需的底层 dtype，字段和标志将从 dtype 复制。这种 dtype 类似于 C 中的“联合体”。

结构化数组的索引和赋值#

将数据赋值给结构化数组#

有多种方法可以为结构化数组赋值：使用 Python 元组、使用标量值或使用其他结构化数组。

从 Python 原生类型（元组）赋值#

为结构化数组赋值的最简单方法是使用 Python 元组。每个赋值的值都应该是一个长度等于数组中字段数量的元组，而不是列表或数组，因为这些会触发 NumPy 的广播规则。元组的元素从左到右依次赋值给数组的连续字段。

>>> 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#

赋值给结构化元素的标量将赋值给所有字段。当标量赋值给结构化数组，或非结构化数组赋值给结构化数组时，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')])

结构化数组也可以赋值给非结构化数组，但仅当结构化数据类型只有一个字段时。

>>> 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发生时，就好像源元素已转换为元组，然后赋值给目标元素。也就是说，源数组的第一个字段赋值给目标数组的第一个字段，第二个字段依此类推，无论字段名称如何。字段数量不同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#

当赋值给作为子数组的字段时，赋的值将首先广播到子数组的形状。

结构化数组索引#

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')])

结果数组是原始数组的一个视图。它共享相同的内存位置，并且对视图的写入将修改原始数组。

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

该视图具有与被索引字段相同的 dtype 和 itemsize，因此它通常是一个非结构化数组，嵌套结构的情况除外。

>>> 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上。

>>> 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对结构化数组进行索引和赋值，其中索引是字段名称列表。

警告

多字段索引的行为已从 NumPy 1.15 更改为 NumPy 1.16。

使用多字段索引进行索引的结果是原始数组的一个视图，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。视图的字段将按它们被索引的顺序排列。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，并且字段与原始数组中的偏移量相同，未索引的字段只是缺失。

警告

在 NumPy 1.15 中，使用多字段索引对数组进行索引会返回上述结果的副本，但字段在内存中是打包在一起的，就像经过了 numpy.lib.recfunctions.repack_fields 处理一样。

NumPy 1.16 的新行为导致未索引字段的位置出现额外的“填充”字节，与 1.15 相比。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 以来已引发 FutureWarning，类似代码自 1.7 以来已引发 FutureWarning。

在 1.16 版本中，numpy.lib.recfunctions 模块中引入了一些函数，以帮助用户应对这一变化。这些函数包括 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 始终可用于重现旧行为，因为它将返回结构化数组的打包副本。例如，上述代码可以替换为：

>>> 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，它是一个更安全、更高效的替代方案，适用于希望将结构化数组转换为非结构化数组的用户，因为上面的视图通常旨在实现这一点。此函数允许安全地转换为非结构化类型，同时考虑填充，通常避免复制，并且还可以根据需要进行数据类型转换，这与视图不同。如下代码：

>>> 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方式使其更安全：

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

对具有多字段索引的数组进行赋值会修改原始数组。

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

这遵循上述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）会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，并且行为类似于原始数组的视图，因此修改标量将修改原始数组。结构化标量还支持通过字段名进行访问和赋值。

>>> 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，结构化标量也可以用整数索引。

>>> scalar = np.array([(1, 2., 3.)], dtype='i, f, f')[0]
>>> scalar[0]
np.int32(1)
>>> scalar[1] = 4

因此，元组可以被认为是 NumPy 结构化类型的原生 Python 等效物，就像原生 Python 整数是 NumPy 整数类型的等效物一样。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#

为了防止覆盖 object 类型字段中的对象指针，NumPy 目前不允许查看包含对象的结构化数组。

结构比较和类型提升#

如果两个 void 结构化数组的 dtypes 相等，则测试数组的相等性将生成一个布尔数组，其维度与原始数组相同，对应结构体的所有字段相等时元素设置为 True。

>>> 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，以下代码也有效（请注意字段 'a' 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为由 numpy.result_type 和 numpy.promote_types 返回的公共 dtype。这强制要求字段数量、字段名称和字段标题必须精确匹配。当无法提升时，例如由于字段名称不匹配，NumPy 将引发错误。两个结构化 dtypes 之间的提升会生成一个规范的 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')])

提升后的结果 dtype 也保证是打包的，这意味着所有字段都是连续排列的，并且移除了任何不必要的填充。

>>> 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，结果打印时没有 offsets 或 itemsize，这表明没有额外的填充。如果结构化 dtype 是使用 align=True 创建的，确保 dtype.isalignedstruct 为 True，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

当提升多个 dtypes 时，如果任何输入是对齐的，则结果也是对齐的。

>>> 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。

1.23 版中已更改: 在 NumPy 1.23 之前，当提升到共同 dtype 失败时，会给出警告并返回 False。此外，提升的限制也更为严格：它会拒绝上面混合浮点/整数比较的示例。

记录数组#

作为一种可选的便利，NumPy 提供了一个 ndarray 子类 numpy.recarray，它允许通过属性而非仅通过索引来访问结构化数组的字段。记录数组使用特殊的数据类型 numpy.record，它允许对从数组中获得的结构化标量通过属性访问字段。numpy.rec 模块提供了从各种对象创建记录数组的函数。创建和操作结构化数组的其他辅助函数可以在 numpy.lib.recfunctions 中找到。

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 可以将各种参数转换为记录数组，包括结构化数组。

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

numpy.rec 模块提供了许多其他用于创建记录数组的便利函数，参见记录数组创建例程。

结构化数组的记录数组表示可以通过使用适当的 view 获得。

>>> 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，将 ndarray 视图为 numpy.recarray 类型会自动转换为 numpy.record 数据类型，因此视图中可以省略 dtype。

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

要恢复为普通 ndarray，必须同时重置 dtype 和类型。以下视图实现了这一点，并考虑了 recordarr 不是结构化类型的特殊情况。

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

记录数组字段通过索引或属性访问时，如果字段具有结构化类型，则返回为记录数组，否则返回为普通 ndarray。

>>> 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，如果某个字段的名称与 ndarray 属性相同，则 ndarray 属性优先。此类字段将无法通过属性访问，但仍可通过索引访问。

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由 John Hunter 为 matplotlib 实现。为了方便起见，它们已被重写和扩展。

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

向现有数组添加新字段。

字段的名称由 names 参数给出，相应的值由 data 参数给出。如果只添加一个字段，names、data 和 dtypes 不需要是列表，而只需是值。

参数:
base数组

要扩展的输入数组。

names字符串，序列

对应新字段名称的字符串或字符串序列。

data数组或数组序列

存储要添加到基数组的字段的数组或数组序列。

dtypes数据类型序列，可选

数据类型或数据类型序列。如果为 None，则数据类型将从 data 中估计。

fill_value{浮点数}，可选

用于填充较短数组中缺失数据的填充值。

usemask{False, True}，可选

是否返回一个 masked array。

asrecarray{False, True}，可选

是否返回一个 recarray (MaskedRecords)。

numpy.lib.recfunctions.apply_along_fields(func, arr)[source]#

将函数“func”作为结构化数组字段的归约操作应用。

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。所有字段首先根据应用于字段 dtypes 的 numpy.result_type 的类型提升规则转换为公共类型。

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，如 numpy.mean、numpy.sum 等。

arrndarray

要应用 func 的结构化数组。

返回:
outndarray

归约操作的结果。

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)[source]#

按字段名称将值从一个结构化数组赋值给另一个。

通常在 NumPy >= 1.14 中，一个结构化数组赋值给另一个时，是按“位置”复制字段的，这意味着源数组的第一个字段被复制到目标数组的第一个字段，依此类推，无论字段名称如何。

此函数则按“字段名称”复制，使得目标数组中的字段从源数组中同名字段赋值。这递归地适用于嵌套结构。NumPy >= 1.6 到 <= 1.13 中的结构体赋值就是这样工作的。

参数:
dstndarray
srcndarray

赋值时的源数组和目标数组。

zero_unassigned布尔值，可选

如果为 True，目标数组中没有源数组中匹配字段的字段将填充值 0。这是 NumPy <= 1.13 的行为。如果为 False，则不修改这些字段。

numpy.lib.recfunctions.drop_fields(base, drop_names, usemask=True, asrecarray=False)[source]#

返回一个新数组，其中 drop_names 中的字段已删除。

支持嵌套字段。

参数:
base数组

输入数组

drop_names字符串或序列

对应要删除字段名称的字符串或字符串序列。

usemask{False, True}，可选

是否返回一个 masked array。

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 masked array。默认为 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)[source]#

在结构化数组中沿给定键查找重复项。

参数:
a类数组

输入数组

key{字符串，None}，可选

检查重复项所依据的字段名称。如果为 None，则按记录进行搜索。

ignoremask{True, False}，可选

被遮罩的数据应该被丢弃还是视为重复项。

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)[source]#

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)[source]#

返回一个字典，其中字段索引其父字段的列表。

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)[source]#

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)[source]#

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。嵌套结构会在之前展平。

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)[source]#

根据键 key 连接数组 r1 和 r2。

键应该是一个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找不到 key 字段，则会引发异常。r1 和 r2 都不应在 key 上有任何重复项：重复项的存在会使输出变得相当不可靠。请注意，算法不查找重复项。

参数:
key{字符串，序列}

对应于用于比较的字段的字符串或字符串序列。

r1, r2数组

结构化数组。

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

如果是‘inner’，则返回 r1 和 r2 共同的元素。如果是‘outer’，则返回共同元素以及 r1 中不在 r2 中的元素和不在 r2 中的元素。如果是‘leftouter’，则返回共同元素以及 r1 中不在 r2 中的元素。

r1postfix字符串，可选

追加到 r1 中存在于 r2 但不在键中的字段名称的字符串。

r2postfix字符串，可选

追加到 r2 中存在于 r1 但不在键中的字段名称的字符串。

defaults{字典}，可选

将字段名称映射到相应默认值的字典。

usemask{True, False}，可选

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

asrecarray{False, True}，可选

是否返回 recarray（或当 usemask==True 时返回 MaskedRecords）或仅返回一个灵活类型的 ndarray。

注释

  • 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。通过用选定的条目填充字段来构造输出。如果存在重复项，匹配将不被保留……

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

逐字段合并数组。

参数:
seqarraysndarray 序列

数组序列

fill_value{浮点数}，可选

用于填充较短数组中缺失数据的填充值。

flatten{False, True}，可选

是否折叠嵌套字段。

usemask{False, True}，可选

是否返回一个 masked array。

asrecarray{False, True}，可选

是否返回一个 recarray (MaskedRecords)。

注释

  • 如果没有掩码，缺失值将用某物填充，具体取决于其对应的类型：

    • 整数为 -1

    • 浮点数为 -1.0

    • 字符为 '-'

    • 字符串为 '-1'

    • 布尔值为 True

  • XXX: 我仅凭经验获得了这些值。

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)[source]#

向现有数组添加新字段。

字段的名称由 names 参数给出，相应的值由 data 参数给出。如果只添加一个字段，names、data 和 dtypes 不需要是列表，而只需是值。

参数:
base数组

要扩展的输入数组。

names字符串，序列

对应新字段名称的字符串或字符串序列。

data数组或数组序列

存储要添加到基数组的字段的数组或数组序列。

dtypes数据类型序列，可选

数据类型或数据类型序列。如果为 None，则数据类型将从 data 中估计。

返回:
appended_arraynp.recarray

另请参阅

append_fields
numpy.lib.recfunctions.rec_drop_fields(base, drop_names)[source]#

返回一个新 numpy.recarray，其中 drop_names 中的字段已删除。

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

根据键连接数组 r1 和 r2。它是 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)[source]#

使用来自输入字段填充输出字段，支持嵌套结构。

参数:
inputndarray

输入数组。

outputndarray

输出数组。

注释

  • output 的大小应至少与 input 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)[source]#

重命名灵活数据类型 ndarray 或 recarray 的字段。

支持嵌套字段。

参数:
basendarray

必须修改其字段的输入数组。

namemapper字典

将旧字段名称映射到其新版本的字典。

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)[source]#

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。这意味着字段可以由填充字节分隔，它们的偏移量可以是非单调递增的，并且它们可以重叠。

此方法会移除任何重叠，并重新排序内存中的字段，使其具有递增的字节偏移量，并根据 align 选项添加或移除填充字节，其行为类似于 numpy.dtype 的 align 选项。

如果 align=False，此方法将生成一个“打包”的内存布局，其中每个字段从前一个字段结束的字节开始，并移除所有填充字节。

如果 align=True，此方法将生成一个“对齐”的内存布局，其中每个字段的偏移量是其对齐的倍数，并且通过根据需要添加填充字节，总 itemsize 是最大对齐的倍数。

参数:
andarray 或 dtype

要重新打包字段的数组或 dtype。

align布尔值

如果为 True，则使用“对齐”内存布局，否则使用“打包”布局。

recurse布尔值

如果为 True，也重新打包嵌套结构。

返回:
repackedndarray 或 dtype

a 的副本，字段已重新打包，如果无需重新打包，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)[source]#

使用按字段名赋值将结构化数组转换为新的 dtype。

此函数按名称从旧数组赋值到新数组，因此输出数组中字段的值是源数组中同名字段的值。这会产生一个新 ndarray，其中仅包含 required_dtype“要求”的字段。

如果 required_dtype 中的字段名称在输入数组中不存在，则会在输出数组中创建该字段并将其设置为 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，字段值从输入数组中同名字段复制而来。

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)[source]#

逐字段叠加数组。

参数:
arrays数组或序列

输入数组序列。

defaults字典，可选

将字段名称映射到相应默认值的字典。

usemask{True, False}，可选

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

asrecarray{False, True}，可选

是否返回 recarray（或当 usemask==True 时返回 MaskedRecords）或仅返回一个灵活类型的 ndarray。

autoconvert{False, True}，可选

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')[源码]#

将 n 维结构化数组转换为 (n+1) 维非结构化数组。

新数组将拥有一个新维度，其大小等于输入数组的字段元素数量。如果未提供，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单个字段元素。

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, 可选

输出非结构化数组的 dtype。

copy布尔值, 可选

如果为 True，总是返回一个副本。如果为 False，则在可能的情况下返回一个视图，例如当字段的 dtype 和步幅适合且数组子类型为 numpy.ndarray、numpy.recarray 或 numpy.memmap 之一时。

版本 1.25.0 中有所更改：如果字段由统一的步幅分隔，现在可以返回一个视图。

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

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

返回:
unstructuredndarray

增加一个维度后的非结构化数组。

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')[源码]#

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被转换为一个结构体，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，但也可以提供一个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, 可选

输出数组的结构化 dtype

names字符串列表, 可选

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

align布尔值, 可选

是否创建对齐的内存布局。

copy布尔值, 可选

参见 numpy.ndarray.astype 的 copy 参数。如果为 True，总是返回一个副本。如果为 False，且满足 dtype 要求，则返回一个视图。

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

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

返回:
structuredndarray

维度减少后的结构化数组。

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,))])