Numpy的结构化数组|极客笔记

Numpy的结构化数组

在numpy中，结构化数组是一种特殊的数组，它可以存储不同类型的数据，并且可以通过字段名来访问这些数据。结构化数组在处理复杂数据时非常有用，比如处理表格数据、数据库数据等。本文将详细介绍numpy的结构化数组的用法，包括创建、访问、操作等。

创建结构化数组

首先，我们来看如何创建一个简单的结构化数组。我们可以使用np.array()函数，并在dtype参数中指定每个字段的名称和数据类型。下面是一个例子：

import numpy as np

# 创建一个结构化数组
data = np.array([(1, 'Alice', 23), (2, 'Bob', 25), (3, 'Cathy', 21)],
                dtype=[('id', int), ('name', 'U10'), ('age', int)])

print(data)

Output:

Numpy的结构化数组

这样我们就创建了一个包含id、name和age字段的结构化数组。

访问结构化数组

访问结构化数组的字段非常简单，只需要使用字段名即可。下面是一个例子：

import numpy as np

# 创建一个结构化数组
data = np.array([(1, 'Alice', 23), (2, 'Bob', 25), (3, 'Cathy', 21)],
                dtype=[('id', int), ('name', 'U10'), ('age', int)])

# 访问结构化数组的字段
print(data['name'])

Output:

Numpy的结构化数组

这样我们就可以通过字段名来访问结构化数组中的数据。

操作结构化数组

除了访问数据，我们还可以对结构化数组进行各种操作，比如筛选、排序、合并等。下面是一些示例代码：

筛选数据

import numpy as np

# 创建一个结构化数组
data = np.array([(1, 'Alice', 23), (2, 'Bob', 25), (3, 'Cathy', 21)],
                dtype=[('id', int), ('name', 'U10'), ('age', int)])

# 筛选年龄大于等于25的数据
filtered_data = data[data['age'] >= 25]
print(filtered_data)

Output:

Numpy的结构化数组

运行上面的代码，我们可以得到符合条件的数据。

排序数据

import numpy as np

# 创建一个结构化数组
data = np.array([(1, 'Alice', 23), (2, 'Bob', 25), (3, 'Cathy', 21)],
                dtype=[('id', int), ('name', 'U10'), ('age', int)])

# 按照年龄对数据进行排序
sorted_data = np.sort(data, order='age')
print(sorted_data)

Output:

Numpy的结构化数组

运行上面的代码，我们可以得到按照年龄排序的数据。

合并数据

import numpy as np

# 创建一个结构化数组
data = np.array([(1, 'Alice', 23), (2, 'Bob', 25), (3, 'Cathy', 21)],
                dtype=[('id', int), ('name', 'U10'), ('age', int)])
# 创建另一个结构化数组
data2 = np.array([(4, 'David', 22), (5, 'Eva', 24)],
                dtype=[('id', int), ('name', 'U10'), ('age', int)])

# 合并两个结构化数组
merged_data = np.concatenate((data, data2))
print(merged_data)

Output:

Numpy的结构化数组