本文最后更新于 258 天前，其中的信息可能已经过时，如有错误请发送邮件到wuxianglongblog@163.com
结构化数组
假设我们要保存这样的数据：
| name | age | wgt | |
|---|---|---|---|
| 0 | dan | 1 | 23.1 |
| 1 | ann | 0 | 25.1 |
| 2 | sam | 2 | 8.3 |
希望定义一个一维数组，每个元素有三个属性 name, age, wgt，此时我们需要使用结构化数组。
import numpy as np定义数组 a：
| 0 | 1 | 2 | 3 |
|---|---|---|---|
| 1.0 | 2.0 | 3.0 | 4.0 |
a = np.array([1.0,2.0,3.0,4.0], np.float32)使用 view 方法，将 a 对应的内存按照复数来解释：
a.view(np.complex64)array([ 1.+2.j, 3.+4.j], dtype=complex64)| 0 | 1 | 2 | 3 |
|---|---|---|---|
| 1.0 | 2.0 | 3.0 | 4.0 |
| real | imag | real | imag |
事实上，我们可以把复数看成一个结构体，第一部分是实部，第二部分是虚部，这样这个数组便可以看成是一个结构化数组。
换句话说，我们只需要换种方式解释这段内存，便可以得到结构化数组的效果！
| 0 | 1 | 2 | 3 |
|---|---|---|---|
| 1.0 | 2.0 | 3.0 | 4.0 |
| mass | vol | mass | vol |
例如，我们可以将第一个浮点数解释为质量，第二个浮点数解释为速度，则这段内存还可以看成是包含两个域（质量和速度）的结构体。
my_dtype = np.dtype([('mass', 'float32'), ('vol', 'float32')])a.view(my_dtype)array([(1.0, 2.0), (3.0, 4.0)],
dtype=[('mass', '这里，我们使用 dtype 创造了自定义的结构类型，然后用自定义的结构来解释数组 a 所占的内存。
这里 f4 表示四字节浮点数，< 表示小字节序。
利用这个自定义的结构类型，我们可以这样初始化结构化数组：
my_data = np.array([(1,1), (1,2), (2,1), (1,3)], my_dtype)
print my_data[(1.0, 1.0) (1.0, 2.0) (2.0, 1.0) (1.0, 3.0)]第一个元素：
my_data[0](1.0, 1.0)得到第一个元素的速度信息，可以使用域的名称来索引：
my_data[0]['vol']1.0得到所有的质量信息：
my_data['mass']array([ 1., 1., 2., 1.], dtype=float32)自定义排序规则，先按速度，再按质量：
my_data.sort(order=('vol', 'mass'))
print my_data[(1.0, 1.0) (2.0, 1.0) (1.0, 2.0) (1.0, 3.0)]回到最初的例子，定义一个人的结构类型：
person_dtype = np.dtype([('name', 'S10'), ('age', 'int'), ('weight', 'float')])查看类型所占字节数：
person_dtype.itemsize22产生一个 3 x 4 共12人的空结构体数组：
people = np.empty((3,4), person_dtype)分别赋值：
people['name'] = [['Brad', 'Jane', 'John', 'Fred'],
['Henry', 'George', 'Brain', 'Amy'],
['Ron', 'Susan', 'Jennife', 'Jill']]people['age'] = [[33, 25, 47, 54],
[29, 61, 32, 27],
[19, 33, 18, 54]]people['weight'] = [[135., 105., 255., 140.],
[154., 202., 137., 187.],
[188., 135., 88., 145.]]print people[[('Brad', 33, 135.0) ('Jane', 25, 105.0) ('John', 47, 255.0)
('Fred', 54, 140.0)]
[('Henry', 29, 154.0) ('George', 61, 202.0) ('Brain', 32, 137.0)
('Amy', 27, 187.0)]
[('Ron', 19, 188.0) ('Susan', 33, 135.0) ('Jennife', 18, 88.0)
('Jill', 54, 145.0)]]people[-1,-1]('Jill', 54, 145.0)从文本中读取结构化数组
我们有这样一个文件：
%%writefile people.txt
name age weight
amy 11 38.2
john 10 40.3
bill 12 21.2Writing people.txt利用 loadtxt 指定数据类型，从这个文件中读取结构化数组：
person_dtype = np.dtype([('name', 'S10'), ('age', 'int'), ('weight', 'float')])
people = np.loadtxt('people.txt',
skiprows=1,
dtype=person_dtype)
peoplearray([('amy', 11, 38.2), ('john', 10, 40.3), ('bill', 12, 21.2)],
dtype=[('name', 'S10'), ('age', '查看 name 域：
people['name']array(['amy', 'john', 'bill'],
dtype='|S10')删除文件：
import os
os.remove('people.txt')对于下面的文件：
%%writefile wood.csv
item,material,number
100,oak,33
110,maple,14
120,oak,7
145,birch,3Writing wood.csv定义转换函数处理材料属性，使之对应一个整数：
tree_to_int = dict(oak = 1,
maple=2,
birch=3)
def convert(s):
return tree_to_int.get(s, 0)使用 genfromtxt 载入数据，可以自动从第一行读入属性名称：
data = np.genfromtxt('wood.csv',
delimiter=',', # 逗号分隔
dtype=np.int, # 数据类型
names=True, # 从第一行读入域名
converters={1:convert}
)dataarray([(100, 1, 33), (110, 2, 14), (120, 1, 7), (145, 3, 3)],
dtype=[('item', '查看域：
data['material']array([1, 2, 1, 3])删除文件：
os.remove('wood.csv')嵌套类型
有时候，结构数组中的域可能包含嵌套的结构，例如，在我们希望在二维平面上纪录一个质点的位置和质量：
| position | mass |
|---|---|
| x | y |
那么它的类型可以这样嵌套定义：
particle_dtype = np.dtype([('position', [('x', 'float'),
('y', 'float')]),
('mass', 'float')
])假设数据文件如下：
%%writefile data.txt
2.0 3.0 42.0
2.1 4.3 32.5
1.2 4.6 32.3
4.5 -6.4 23.3Overwriting data.txt读取数据：
data = np.loadtxt('data.txt', dtype=particle_dtype)dataarray([((2.0, 3.0), 42.0), ((2.1, 4.3), 32.5), ((1.2, 4.6), 32.3),
((4.5, -6.4), 23.3)],
dtype=[('position', [('x', '查看位置的 x 轴：
data['position']['x']array([ 2. , 2.1, 1.2, 4.5])删除生成的文件：
os.remove('data.txt')