Numpy 的结构化数组与 xarray (xray) 有什么区别？
What's the difference between Numpy's Structured arrays vs xarray (xray)?
Numpy Structured Arrays named fields vs xarray (xray) N-D 标记阵列之间有什么区别？
来自the numpy docs on structured arrays：
“结构化数据类型 [即结构化 numpy 数组] 旨在能够模仿 C 语言中的“结构”，并共享类似的内存布局。它们旨在与 C 代码接口和进行低级操作结构化缓冲区，例如用于解释二进制 blob。出于这些目的，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）的用户可能会发现其他 pydata 项目更合适，例如 xarray、pandas 或 DataArray。这些为表格数据分析提供了一个高级接口，并且针对该用途进行了更好的优化。例如，相比之下，numpy 中结构化数组的类似 C 结构的内存布局可能导致较差的缓存行为。"
Numpy Structured Arrays named fields vs xarray (xray) N-D 标记阵列之间有什么区别？
来自the numpy docs on structured arrays：
“结构化数据类型 [即结构化 numpy 数组] 旨在能够模仿 C 语言中的“结构”，并共享类似的内存布局。它们旨在与 C 代码接口和进行低级操作结构化缓冲区，例如用于解释二进制 blob。出于这些目的，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）的用户可能会发现其他 pydata 项目更合适，例如 xarray、pandas 或 DataArray。这些为表格数据分析提供了一个高级接口，并且针对该用途进行了更好的优化。例如，相比之下，numpy 中结构化数组的类似 C 结构的内存布局可能导致较差的缓存行为。"