结构化和记录式数组

你可能已经注意到了，到目前为止我们所讨论的ndarray都是一种同质数据容器，也就是说，在它所表示的内存块中，各元素占用的字节数相同（具体根据dtype而定）。从表面上看，它似乎不能用于表示异质或表格型的数据。结构化数组是一种特殊的ndarray，其中的各个元素可以被看做C语言中的结构体（struct，这就是“结构化”的由来）或SQL表中带有多个命名字段的行：

  1. In [142]: dtype = [('x', np.float64), ('y', np.int32)]
  2.  
  3. In [143]: sarr = np.array([(1.5, 6), (np.pi, -2)], dtype=dtype)
  4.  
  5. In [144]: sarr
  6. Out[144]:
  7. array([(1.5, 6), (3.141592653589793, -2)],
  8.       dtype=[('x', '<f8'), ('y', '<i4')])

定义结构化dtype（请参考NumPy的在线文档）的方式有很多。最典型的办法是元组列表，各元组的格式为(field_name,field_data_type)。这样，数组的元素就成了元组式的对象，该对象中各个元素可以像字典那样进行访问：

  1. In [145]: sarr[0]
  2. Out[145]: (1.5, 6)
  3.  
  4. In [146]: sarr[0]['y']
  5. Out[146]: 6

字段名保存在dtype.names属性中。在访问结构化数组的某个字段时，返回的是该数据的视图，所以不会发生数据复制：

  1. In [147]: sarr['x']
  2. Out[147]: array([ 1.5       ,  3.1416])

嵌套dtype和多维字段

在定义结构化dtype时，你可以再设置一个形状（可以是一个整数，也可以是一个元组）：

  1. In [148]: dtype = [('x', np.int64, 3), ('y', np.int32)]
  2.  
  3. In [149]: arr = np.zeros(4, dtype=dtype)
  4.  
  5. In [150]: arr
  6. Out[150]:
  7. array([([0, 0, 0], 0), ([0, 0, 0], 0), ([0, 0, 0], 0), ([0, 0, 0], 0)],
  8.        dtype=[('x', '<i8', (3,)), ('y', '<i4')])

在这种情况下，各个记录的x字段所表示的是一个长度为3的数组：

  1. In [151]: arr[0]['x']
  2. Out[151]: array([0, 0, 0])

访问arr['x']即可得到一个二维数组，而不是前面那个例子中的一维数组：

  1. In [152]: arr['x']
  2. Out[152]:
  3. array([[0, 0, 0],
  4.        [0, 0, 0],
  5.        [0, 0, 0],
  6.        [0, 0, 0]])

这就使我们能用单个数组的内存块存放复杂的嵌套结构。既然dtype可以想怎么复杂就怎么复杂，那为什么不试试嵌套dtype呢？下面是一个简单的例子：

  1. In [153]: dtype = [('x', [('a', 'f8'), ('b', 'f4')]), ('y', np.int32)]
  2.  
  3. In [154]: data = np.array([((1, 2), 5), ((3, 4), 6)], dtype=dtype)
  4.  
  5. In [155]: data['x']
  6. Out[155]:
  7. array([(1.0, 2.0), (3.0, 4.0)],
  8.       dtype=[('a', '<f8'), ('b', '<f4')])
  9.  
  10. In [156]: data['y']
  11. Out[156]: array([5, 6], dtype=int32)
  12.  
  13. In [157]: data['x']['a']
  14. Out[157]: array([ 1.,  3.])

不难看出，可变形状的字段和嵌套记录是一种非常强大的功能。与此相比，pandas的DataFrame并不直接支持该功能，但它的分层索引机制跟这个差不多。

为什么要用结构化数组

跟pandas的DataFrame相比，NumPy的结构化数组是一种相对较低级的工具。它可以将单个内存块解释为带有任意复杂嵌套列的表格型结构。由于数组中的每个元素在内存中都被表示为固定的字节数，所以结构化数组能够提供非常快速高效的磁盘数据读写（包括内存映像，稍后将详细介绍）、网络传输等功能。

结构化数组的另一个常见用法是，将数据文件写成定长记录字节流，这是C和C++代码中常见的数据序列化手段（业界许多历史系统中都能找得到）。只要知道文件的格式（记录的大小、元素的顺序、字节数以及数据类型等），就可以用np.fromfile将数据读入内存。这种用法超出了本书的范围，只要知道有这么一回事就可以了。

结构化数组操作：numpy.lib.recfunctions

适用于结构化数组的函数没有DataFrame那么多。NumPy模块numpy.lib.recfunctions中有一些用于增删字段或执行基本连接运算的工具。对于这些工具，我们需要记住的是：一般都需要创建一个新数组以便对dtype进行修改（比如添加或删除一列）。这些函数就留给有兴趣的读者自己去研究了，因为本书中不会用到它们。