结构化数组

简介

结构化数组是 ndarray，其数据类型是较简单数据类型的组合，这些数据类型组织为命名的字段序列。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，其数据类型是一个具有三个字段的结构：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。

如果在位置 1 索引 x，你会得到一个结构

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

你可以通过使用字段名称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“struct”，并共享类似的内存布局。它们用于与 C 代码接口以及对结构化缓冲区进行低级操作，例如解释二进制 blob。为此，它们支持诸如子数组、嵌套数据类型和联合之类的专用功能，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 项目更合适，例如 xarray、pandas 或 DataArray。这些项目为表格数据分析提供了高级接口，并针对该用途进行了更好的优化。例如，NumPy 中结构化数组的类似 C 结构的内存布局可能会导致较差的缓存行为。

结构化数据类型

可以将结构化数据类型视为具有一定长度（结构的itemsize）的字节序列，该字节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，并且它也可以是子数组数据类型，其行为类似于指定形状的 ndarray。字段的偏移量是任意的，字段甚至可能重叠。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。规范有 4 种替代形式，它们在灵活性和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记录，简而言之，它们是：

1. 元组列表，每个字段一个元组

   每个元组的形式为 (字段名称, 数据类型, 形状)，其中形状是可选的。字段名称是一个字符串（如果使用标题，则为元组，请参阅下面的字段标题），数据类型可以是任何可转换为数据类型的对象，而 形状是一个整数元组，用于指定子数组形状。

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

   如果 字段名称 是空字符串 ''，则该字段将被赋予默认名称，形式为 f#，其中 # 是字段的整数索引，从左侧的 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和总结构项大小是自动确定的。

2. 以逗号分隔的数据类型规范的字符串

   在这种简写表示法中，任何字符串数据类型规范都可以在字符串中使用，并用逗号分隔。字段的项大小和字节偏移量是自动确定的，并且字段名称被赋予默认名称 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项大小。

   该字典具有两个必需的键 ‘names’ 和 ‘formats’，以及四个可选的键 ‘offsets’、‘itemsize’、‘aligned’ 和 ‘titles’。 ‘names’ 和 ‘formats’ 的值应分别为字段名称列表和数据类型规范列表，长度相同。可选的 ‘offsets’ 值应为整数字节偏移量的列表，结构中的每个字段一个。如果未给出 ‘offsets’，则会自动确定偏移量。可选的 ‘itemsize’ 值应为整数，用于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})
   

   可以选择偏移量，使字段重叠，但这将意味着分配给一个字段可能会破坏任何重叠字段的数据。作为例外，由于存在破坏内部对象指针然后取消引用的风险，numpy.object_ 类型的字段不能与其他字段重叠。

   可以将可选的 ‘aligned’ 值设置为 True，以使自动偏移量计算使用对齐的偏移量（请参阅自动字节偏移量和对齐），就好像 numpy.dtype 的 ‘align’ 关键字参数已设置为 True。

   可选的 ‘titles’ 值应为与 ‘names’ 长度相同的标题列表，请参阅下面的字段标题。

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')])
   

   不建议使用此形式，因为 Python 3.6 之前的 Python 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，请参阅下文。

操作和显示结构化数据类型

可以在 dtype 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 dtype

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

可以通过使用长度相同的字符串序列分配给 names 属性来修改字段名称。

dtype 对象还具有类似于字典的属性 fields，其键是字段名称（和字段标题，请参阅下文），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。要测试 dtype 是否为结构的推荐方法是使用 if dt.names is not None 而不是 if dt.names，以考虑具有 0 个字段的 dtype。

如果可能，结构化数据类型的字符串表示形式将以“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。

自动字节偏移量和对齐

NumPy 使用两种方法之一自动确定字段字节偏移量和结构化数据类型的整体项大小，具体取决于是否将 align=True 指定为 numpy.dtype 的关键字参数。

默认情况下（align=False），NumPy 将字段打包在一起，以便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，则 NumPy 将以许多 C 编译器填充 C-struct 的相同方式填充结构。对齐的结构可以在某些情况下提高性能，但代价是增加了数据类型的大小。在字段之间插入填充字节，以便每个字段的字节偏移量将是该字段对齐方式的倍数，对于简单的数据类型，该对齐方式通常等于字段的大小（以字节为单位），请参阅 PyArray_Descr.alignment。还将添加尾随填充，以便其项大小是最大字段对齐方式的倍数。

>>> 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 结构中的填充是 C 实现相关的，因此不能保证此内存布局与 C 程序中相应结构的内存布局完全匹配。可能需要在 NumPy 端或 C 端进行一些工作才能获得精确的对应关系。

如果使用基于字典的数据类型规范中的可选 offsets 键指定了偏移量，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，并且项大小是否为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 flag。

一个便捷函数 numpy.lib.recfunctions.repack_fields 可以将对齐的 dtype 或数组转换为紧凑的 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的副本，带有或不带有填充字节。

字段标题

除了字段名称之外，字段还可以具有关联的 标题，即备用名称，有时用作字段的附加描述或别名。标题可以像字段名称一样用于索引数组。

要在使用 dtype 规范的元组列表形式时添加标题，字段名称可以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')])

当使用基于字典的第一种形式的规范时，标题可以作为额外的 'titles' 键提供，如上所述。当使用第二种（不建议使用）基于字典的规范时，可以通过提供一个包含 3 个元素的元组 (datatype, offset, title) 来提供标题，而不是通常的包含 2 个元素的元组。

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

dtype.fields 字典将包含标题作为键（如果使用了任何标题）。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具有第三个元素，即字段标题。因此，并且由于 names 属性保留了字段顺序，而 fields 属性可能不保留，因此建议使用 dtype 的 names 属性来迭代 dtype 的字段，该属性不会列出标题，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 中默认实现为具有基本类型 numpy.void，但是可以使用 数据类型对象 中描述的 dtype 规范的 (base_dtype, dtype) 形式将其他 numpy 类型解释为结构化类型。在此，base_dtype 是所需的底层 dtype，并且字段和标志将从 dtype 中复制。此 dtype 类似于 C 中的“联合”。

结构化数组的索引和赋值

将数据赋值给结构化数组

有多种方法可以将值赋值给结构化数组：使用 python 元组、使用标量值或使用其他结构化数组。

从 Python 原生类型赋值（元组）

将值赋值给结构化数组的最简单方法是使用 python 元组。每个赋值的值都应该是一个元组，其长度等于数组中的字段数，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被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被赋值给所有字段。当将标量赋值给结构化数组，或者将非结构化数组赋值给结构化数组时，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源元素已转换为元组，然后赋值给目标元素一样发生。也就是说，源数组的第一个字段被赋值给目标数组的第一个字段，第二个字段同样如此，依此类推，而与字段名称无关。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

当赋值给子数组的字段时，赋值的值将首先广播到子数组的形状。

索引结构化数组

访问单个字段

可以通过使用字段名称索引数组来访问和修改结构化数组的单个字段。

>>> 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，并且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，因此通常是非结构化数组，除非在嵌套结构的情况下。

>>> 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来索引和赋值结构化数组，其中索引是字段名称的列表。

警告

多字段索引的行为从 Numpy 1.15 更改为 Numpy 1.16。

使用多字段索引进行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 具有与原始数组相同的 itemsize，并且在与原始数组相同的偏移量处具有字段，并且未索引的字段只是缺失。

警告

在 Numpy 1.15 中，使用多字段索引索引数组会返回上述结果的副本，但字段在内存中紧密地打包在一起，就像通过 numpy.lib.recfunctions.repack_fields 传递一样。

从 Numpy 1.16 开始的新行为导致与 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“紧凑”布局的代码。例如，诸如

>>> 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

之类的代码需要更改。自 Numpy 1.12 以来，此代码引发了 FutureWarning，自 1.7 以来，类似的代码引发了 FutureWarning。

在 1.16 中，在 numpy.lib.recfunctions 模块中引入了许多函数，以帮助用户解释此更改。这些函数是 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 始终可用于重现旧的行为，因为它将返回结构化数组的紧凑副本。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，对于希望将结构化数组转换为非结构化数组的用户来说，这是一个更安全，更有效的替代方案，因为上面的视图通常旨在这样做。此函数允许安全转换为非结构化类型，同时考虑填充，通常避免复制，并且还会在需要时转换数据类型，这与视图不同。诸如

>>> 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)

之类的代码可以通过替换为

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

使用多字段索引对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）会返回结构化标量

>>> 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，并且像原始数组的视图一样工作，因此修改标量会修改原始数组。结构化标量还支持通过字段名称进行访问和赋值。

>>> 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，结构化标量也可以使用整数进行索引。

>>> 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 Python 本地等同于 numpy 的结构化类型，就像本地 Python 整数等同于 numpy 的整数类型一样。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

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

结构比较和提升

如果两个空结构化数组的 dtypes 相等，则测试数组的相等性将产生一个与原始数组维度相同的布尔数组，其中元素设置为 True，表示相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 将提升单个字段的数据类型以执行比较。因此，以下操作也是有效的（请注意 '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，必须可以将它们提升为 numpy.result_type 和 numpy.promote_types 返回的公共 dtype。这强制要求字段的数量、字段名称和字段标题必须完全匹配。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 dtype 之间的提升会导致一个规范的 dtype，以确保所有字段的本地字节顺序。

>>> 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')])

提升产生的 dtype 也保证是紧凑的，这意味着所有字段都是连续排序的，并且删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，结果的打印输出没有 offsets 或 itemsize，这表示没有额外的填充。如果创建结构化 dtype 时使用 align=True，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 dtype 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)

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

在 1.23 版本中更改：在 NumPy 1.23 之前，当提升为公共 dtype 失败时，会发出警告并返回 False。此外，提升的限制性更强：它会拒绝上面的混合浮点/整数比较示例。

记录数组

作为一种可选的便利，numpy 提供了一个 ndarray 子类 numpy.recarray，它允许通过属性而不是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，该数据类型允许通过数组获取的结构化标量的属性访问字段。numpy.rec 模块提供了从各种对象创建记录数组的函数。可以在 numpy.lib.recfunctions 中找到用于创建和操作结构化数组的其他辅助函数。

创建记录数组的最简单方法是使用 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方便的函数来创建记录数组，请参阅 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形式。

>>> 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 numpy.recarray 类型将自动转换为 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')]))

要返回到普通的 ndarray，必须重置 dtype 和类型。以下视图可以做到这一点，考虑到记录数组不是结构化类型的特殊情况。

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

如果字段具有结构化类型，则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，否则将作为普通的 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，如果字段的名称与 ndarray 属性的名称相同，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。

记录数组辅助函数

用于操作结构化数组的实用工具集合。

这些函数最初由 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)

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。如果附加单个字段，则 names、data 和 dtypes 不必是列表，而可以是值。

参数:

basearray

要扩展的输入数组。

namesstring, sequence

与新字段名称对应的字符串或字符串序列。

dataarray 或数组序列

存储要添加到基数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，则数据类型从 data 估计。

fill_value{float}, 可选

用于填充较短数组中缺失数据的填充值。

usemask{False, True}, 可选

是否返回掩码数组。

asrecarray{False, True}, 可选

是否返回记录数组 (MaskedRecords)。

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

将函数 “func” 作为结构化数组字段之间的归约应用。

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。首先，所有字段都按照 numpy.result_type 应用于字段的 dtype 的类型提升规则转换为公共类型。

参数:

func函数

应用于 “field” 维度的函数。此函数必须支持 axis 参数，如 numpy.mean、numpy.sum 等。

arrndarray

用于应用 func 的结构化数组。

返回:

outndarray

归约运算的结果。

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)

按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，将一个结构化数组分配给另一个结构化数组会 “按位置” 复制字段，这意味着无论字段名称如何，src 的第一个字段都会复制到 dst 的第一个字段，依此类推。

此函数改为“按字段名”复制，即将目标 (dst) 中的字段从源 (src) 中同名字段赋值。这适用于递归嵌套的结构。这是 numpy >= 1.6 到 <= 1.13 中结构赋值的工作方式。

参数:

dstndarray

srcndarray

赋值期间的源数组和目标数组。

zero_unassignedbool, 可选

如果为 True，则目标 (dst) 中在源 (src) 中没有匹配字段的字段将填充值 0 (零)。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)

返回一个新数组，其中删除了 drop_names 中的字段。

支持嵌套字段。

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}, 可选

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)，或者带有灵活 dtype 的普通 ndarray 或掩码数组。 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)

查找沿给定键的结构化数组中的重复项

参数:

a类数组

输入数组

key{字符串，None}, 可选

用于检查重复项的字段名称。 如果为 None，则按记录执行搜索

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，其中字段索引其父字段列表。

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

父字段的字典（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)

以元组形式返回输入数据类型的字段名称。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)

以元组形式返回输入数据类型的字段名称。输入数据类型必须具有字段，否则会引发错误。预先展平嵌套结构。

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。

键应是与用于连接数组的字段相对应的字符串或字符串序列。 如果在两个输入数组中都找不到 key 字段，则会引发异常。 沿 key，r1 和 r2 都不应有任何重复项：重复项的存在将使输出非常不可靠。 请注意，该算法不会查找重复项。

参数:

key{字符串，序列}

与用于比较的字段相对应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 中的元素和不在 r2 中的元素。如果为 ‘leftouter’，则返回公共元素和 r1 中不在 r2 中的元素。

r1postfix字符串，可选

附加到 r1 中存在于 r2 中但键中不存在的字段名称的字符串。

r2postfix字符串，可选

附加到 r2 中存在于 r1 中但键中不存在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（如果 asrecarray==True 则为 MaskedRecords）或 ndarray。

asrecarray{False, True}, 可选

是否返回 recarray（如果 usemask==True 则为 MaskedRecords）或仅返回灵活类型 ndarray。

备注

• 输出沿键排序。

• 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。如果存在一些重复项，则不保留匹配项...

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}, 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

是否返回掩码数组。

asrecarray{False, True}, 可选

是否返回记录数组 (MaskedRecords)。

备注

• 如果没有掩码，缺失值将根据其对应的类型填充以下内容：

  • -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。

字段的名称由 names 参数给出，相应的值由 data 参数给出。如果附加单个字段，则 names、data 和 dtypes 不必是列表，而可以是值。

参数:

basearray

要扩展的输入数组。

namesstring, sequence

与新字段名称对应的字符串或字符串序列。

dataarray 或数组序列

存储要添加到基数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，则数据类型从 data 估计。

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)

根据键连接数组 r1 和 r2。是 join_by 的替代方法，它始终返回一个 np.recarray。

另请参阅

join_by

等效函数

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

使用输入中的字段填充输出中的字段，并支持嵌套结构。

参数:

inputndarray

输入数组。

outputndarray

输出数组。

备注

• 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)

重命名灵活数据类型 ndarray 或 recarray 中的字段。

支持嵌套字段。

参数:

basendarray

需要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)

重新打包结构化数组或数据类型在内存中的字段。

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。

此方法删除任何重叠，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 选项添加或删除填充字节，其行为类似于 numpy.dtype 的 align 选项。

如果 align=False，此方法会生成一个“打包”的内存布局，其中每个字段都从前一个字段结束的字节开始，并且删除任何填充字节。

如果 align=True，此方法会生成一个“对齐”的内存布局，其中每个字段的偏移量都是其对齐的倍数，并且总的 itemsize 是最大对齐的倍数，并根据需要添加填充字节。

参数:

andarray 或 dtype

要重新打包字段的数组或数据类型。

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，则还重新打包嵌套结构。

返回:

repackedndarray 或 dtype

具有重新打包字段的 a 的副本，或者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)

使用按字段名称赋值的方式将结构化数组转换为新的数据类型。

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。这具有创建仅包含 required_dtype 所“需要”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，则会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

具有新数据类型的数组，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)

逐字段叠加数组

参数:

arrays数组或序列

输入数组的序列。

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（如果 asrecarray==True 则为 MaskedRecords）或 ndarray。

asrecarray{False, True}, 可选

是否返回 recarray（如果 usemask==True 则为 MaskedRecords）或仅返回灵活类型 ndarray。

autoconvert{False, True}, 可选

是否自动将字段类型转换为最大值。

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。

新数组将具有新的最后一个维度，其大小等于输入数组的字段元素数。如果未提供，则输出数据类型由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数据类型。不能包含对象数据类型。

dtypedtype, 可选

输出非结构化数组的数据类型。

copybool, 可选

如果为 true，则始终返回副本。如果为 false，则在字段的 dtype 和步幅合适，并且数组子类型为 numpy.ndarray、numpy.recarray 或 numpy.memmap 之一时，将返回视图。

在 1.25.0 版本中更改: 如果字段由均匀的步幅分隔，则现在可以返回视图。

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

请参阅 numpy.ndarray.astype 的 casting 参数。控制可能发生的数据类型转换种类。

返回:

unstructuredndarray

多一个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被转换为一个结构，其中字段元素的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，但也可以提供具有相同数量字段元素的输出结构化 dtype。

嵌套字段以及任何子数组字段的每个元素，都计入字段元素的数量。

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。

copybool, 可选

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

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

请参阅 numpy.ndarray.astype 的 casting 参数。控制可能发生的数据类型转换种类。

返回:

structuredndarray

维度较少的结构化数组。

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,))])