A.5 结构化和记录式数组

    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：

    2. Out[147]: ( 1.5, 6)
    4. In [148]: sarr[0]['y']

    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 [150]: dtype = [('x', np.int64, 3), ('y', np.int32)]
    3. In [151]: arr = np.zeros(4, dtype=dtype)
    5. In [152]: arr
    6. Out[152]:

    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：

    这样，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 [154]: arr['x']
    2. Out[154]: 
    3. array([[0, 0, 0],
    4.        [0, 0, 0],
    5.        [0, 0, 0],

    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）、网络传输等功能。