将 numpy 数组转换为结构化数组

Question

假设我有以下数组：

arr = np.array([[1,2], [3,4]], dtype='u1')

我想将它转换成这样的结构化数组：

strarr = np.array([(1,2), (3,4)], dtype=[('a', 'u1'), ('b', 'u1')])

如果我试试

arr.astype([('a', 'u1'), ('b', 'u1')])

它returns

>>> array([[(1, 1), (2, 2)],
       [(3, 3), (4, 4)]], dtype=[('a', 'u1'), ('b', 'u1')])

如何转换数组，使其使用行中的所有元素来填充字段（前提是数字匹配）而不是复制每个元素？

Answer 1

为此有特殊的辅助函数：

>>> from numpy.lib.recfunctions import unstructured_to_structured

所以，

>>> import numpy as np
>>> arr = np.array([[1,2], [3,4]], dtype='u1')
>>> unstructured_to_structured(arr, dtype=np.dtype([('a', 'u1'), ('b', 'u1')]))
array([(1, 2), (3, 4)], dtype=[('a', 'u1'), ('b', 'u1')])

您还可以创建视图：

>>> arr.ravel().view(dtype=np.dtype([('a', 'u1'), ('b', 'u1')]))
array([(1, 2), (3, 4)], dtype=[('a', 'u1'), ('b', 'u1')])

在这个简单的例子中，这很好，但是如果您选择使用视图，您有时不得不担心数组的打包方式。请注意，视图不会复制底层缓冲区！如果您使用大型数组，这可以使它更有效率。

Answer 2

结构化数组的数据应该是一个元组列表：

In [5]: arr = np.array([[1,2], [3,4]], dtype='u1')
In [6]: alist = [tuple(i) for i in arr]
In [7]: alist
Out[7]: [(1, 2), (3, 4)]
In [9]: np.array(alist, dtype=[('a', 'u1'), ('b', 'u1')])
Out[9]: array([(1, 2), (3, 4)], dtype=[('a', 'u1'), ('b', 'u1')])

请注意，输入反映了输出显示。

在这种情况下，视图也是可能的（基础数据没有变化）：

In [10]: arr.view(dtype=[('a', 'u1'), ('b', 'u1')])
Out[10]: 
array([[(1, 2)],
       [(3, 4)]], dtype=[('a', 'u1'), ('b', 'u1')])
In [11]: _.ravel()      # but needs a shape correction
Out[11]: array([(1, 2), (3, 4)], dtype=[('a', 'u1'), ('b', 'u1')])

将 numpy 数组转换为结构化数组

Converting numpy array to structured array

python

arrays

numpy

python-3.x

structured-array