在 NumPy 中组合具有多种数据类型的数组

将包含不同数据类型的数组连接成单个数组，每列中具有相应的数据类型一个挑战。不幸的是，使用 np.concatenate() 的常见方法会将整个数组转换为字符串数据类型，从而导致内存效率低下。

要克服此限制，一个可行的解决方案是使用记录数组或结构化数组。

记录数组

记录数组允许通过属性访问各个数据字段。通过指定每个字段的数据类型，可以将多个数据类型组合在一个数组中：

import numpy as np

a = np.array(['a', 'b', 'c', 'd', 'e'])
b = np.arange(5)
records = np.rec.fromarrays((a, b), names=('keys', 'data'))

print(records)

输出：

rec.array([('a', 0), ('b', 1), ('c', 2), ('d', 3), ('e', 4)], 
      dtype=[('keys', '|S1'), ('data', '<i8')])

结构化数组

结构化数组是类似，提供定义每列数据类型的能力。但是，它们不支持像记录数组那样的属性访问：

arr = np.array([('a', 0), ('b', 1)], 
                      dtype=([('keys', '|S1'), ('data', 'i8')]))

print(arr)

输出：

array([('a', 0), ('b', 1)], 
      dtype=[('keys', '|S1'), ('data', '<i8')])

在记录数组和结构化数组之间进行选择

记录数组和结构化数组之间的选择取决于各个用例。记录数组为属性访问提供了便利，而结构化数组可能更适合更复杂的数据结构。这两种方法都提供了一种在 NumPy 中将数组与不同数据类型组合的便捷方法，从而提供数据操作的灵活性和效率。