数据类型的混合使得这种转换比通常更复杂。最后的答案是,将字段复制到目标数组具有速度和通用性的结合。在
让我们构造一个示例:In [850]: dt
Out[850]: dtype([('cycle', '
In [851]: x=np.zeros((3,),dt)
In [852]: x['cycle']=[0,10,23]
In [853]: x['dxn']=[3,2,2]
In [854]: x['V']=[1,1,1]
In [855]: x
Out[855]:
array([(0, 3, 0.0, 1.0, 0.0), (10, 2, 0.0, 1.0, 0.0),
(23, 2, 0.0, 1.0, 0.0)],
dtype=[('cycle', '
我们可以按照该链接中建议的方式查看3个浮动字段:
^{pr2}$
但是如果我想更改所有值,我需要制作y的副本。不允许一次写入多个字段。在In [863]: y=x[list(x.dtype.names[2:])].view(dt1).copy()
In [864]: y['f0']=np.arange(9.).reshape(3,3)
具有一个数据类型的view无法捕获行结构;我们必须用reshape将其添加回来。dt1和(3,)形状可以避免这个问题。在In [867]: x[list(x.dtype.names[2:])].view(np.float32)
Out[867]: array([ 0., 1., 0., 0., 1., 0., 0., 1., 0.], dtype=float32)In [868]: x.tolist()
Out[868]: [(0, 3, 0.0, 1.0, 0.0), (10, 2, 0.0, 1.0, 0.0), (23, 2, 0.0, 1.0, 0.0)]
In [869]: np.array(x.tolist())
Out[869]:
array([[ 0., 3., 0., 1., 0.],
[ 10., 2., 0., 1., 0.],
[ 23., 2., 0., 1., 0.]])
可以使用astype转换各个字段:In [878]: x['cycle'].astype(np.float32)
Out[878]: array([ 0., 10., 23.], dtype=float32)
In [879]: x['dxn'].astype(np.float32)
Out[879]: array([ 3., 2., 2.], dtype=float32)
但不是多个字段:In [880]: x.astype(np.float32)
Out[880]: array([ 0., 10., 23.], dtype=float32)
recfunctions帮助操作结构化数组(和重新排列)from numpy.lib import recfunctions
它们中的许多构造了一个新的空结构,并逐字段复制值。在这种情况下,相当于:In [890]: z=np.zeros((3,5),np.float32)
In [891]: for i in range(5):
.....: z[:,i] = x[x.dtype.names[i]]
In [892]: z
Out[892]:
array([[ 0., 3., 0., 1., 0.],
[ 10., 2., 0., 1., 0.],
[ 23., 2., 0., 1., 0.]], dtype=float32)
在这个小例子中,它比np.array(x.tolist())慢一点。但对于30000张唱片来说,这个速度要快得多。在
在结构化数组中,记录通常比字段多,因此字段的迭代并不慢。在