Структурированный массив Numpy

Однако в реальных проектах я чаще всего имею дело со списками, состоящими из нескольких типов данных. Как мы можем использовать массивы numpy, чтобы воспользоваться этим преимуществом?

Структурированный массив Numpy

Что произойдет, если мы превратим список с несколькими типами данных в массив numpy?

Как вы можете видеть, все они превратятся в строки.

Если вы посмотрите официальную документацию numpy, то увидите, что структурированные массивы - это имитация struct языка C. Поэтому его можно понимать как массив структур с множеством данных.

â

Когда у вас есть список внутри структуры, вам нужно явно указать его размер (думайте об этом как о способе предварительно определить его размер в памяти), например, так

Чем это отличается от dtype = object?

â

Если вы попытаетесь создать массив numpy подобным образом, вы увидите предупреждение в результате, что вам нужно указать dtype как object, как показано здесь

â

Мне стало интересно, что произойдет, если я укажу dtype = object, поэтому я поискал и нашел следующий ответ

В конце концов, использование объекта dtype не сильно отличается от того, как Python управлял списками в прошлом. Это наводит меня на мысль, что в итоге вы получаете Pyobject и не получаете преимуществ numpy.

Чтобы проверить это, я решил выполнить простое упражнение по адресации

• when dtype = object,

â

• dtype = user_numpy_dtype (структурированный массив numpy)

â

В зависимости от того, как один и тот же тип списка превращается в массив numpy, начальный адрес элемента отличается.

Здесь я добавил значение в определенный список внутри данных, чтобы посмотреть, не изменится ли при этом значение адреса, вот так

Если оно не меняется, мы знаем, что у нас есть значение адреса, а если меняется, то мы знаем, что оно указывает на начальный адрес данных типа ctype (одиночный указатель).

â

• when dtype = object,

â

• dtype = user_numpy_dtype (структурированный массив numpy)

â

В случае объекта dtpye разница в значениях адресов не изменилась, а в случае структурированного массива разница в значениях адресов изменилась. Поэтому мы видим, что структурированный массив является единым указателем на данные cdtype.

Другой способ увидеть это заключается в том, что когда дело доходит до операций, dtype=object выполняет операции Python, а структурированный массив выполняет операции ctype.

â

Для dtype=object мы видим, что операция * является операцией итератора, которая применяется к списку python.

â

С другой стороны, для структурированного массива операция * применяется к ctype для его векторизации.

Преимущества

В нашем проекте мы получили следующие преимущества

• Улучшение читаемости
  Как видно из примера выше, в случае структурированного массива, который определяет поле, код более читабелен, поскольку вы можете получить доступ к нужным данным через поле.
• Мы можем использовать параллельные операции (векторизация)
  - Используя операции типа np.where, мы можем получить индекс данных в определенном поле, удовлетворяющем определенным условиям (без необходимости в операторе for)
  - Мы можем получить доступ к массиву внутри структуры и применить к нему параллельные операции.
• Вы получаете преимущества numpy (по сравнению с dtype = object)