Python 结构化数组的索引和切片

现在我正试图理解索引

numpy

结构化数组的可能方法，我有点被它卡住了。以下是几个简单的例子：

import numpy as np
arr = np.array(zip(range(5), range(5, 10)), dtype=[('a', int), ('b', int)])

arr[0] # first row (record)
arr[(0,)] # the same, as expected

arr['a'] # field 'a' of each record
arr[('a',)] # "IndexError: unsupported iterator index" ?!

arr[1:3] # second and third rows (records)
arr[1:3, 'a'] # "ValueError: invalid literal for long() with base 10: 'a'" ?!
arr['a', 1:3] # same error
arr[..., 'a'] # here too...
arr['a', ...] # and here

因此，出现了两个子问题：

• 为什么普通值（

  'a'

  在本例中）的结果不同于相应的单例

  元组（
  （'a'，）
  ）

• 为什么最后四行会引起错误？而且，可能更重要的是，如何用单个切片获得切片

  arr['a'][1:3]

  ？如您所见，显而易见的

  arr['a'，1:3]

  不起作用

---

我还观察了内置

列表

和非结构化

ndarray

的索引行为，但没有发现这样的问题：在元组中放入一个值不会改变任何事情，当然，对于普通

ndarray

来说，像

arr[1，1:3]

这样的索引也能按预期工作。考虑到这一点，我的示例中的错误是否应该被视为

numpy

中的bug？

首先，字段与维度不是一回事-尽管数组

arr

有两个字段和五行，但numpy实际上将其视为一维（它具有形状

（5，）

）。其次，元组在用作numpy数组的索引时具有特殊的状态。当您将元组放在索引方括号内时，numpy将其解释为数组相应维度的索引序列。在嵌套元组的特殊情况下，每个内部元组都被视为该维度的一系列索引（就好像它是一个

列表

）

由于字段不算作维度，当您使用

arr[（'a'，）]

对其进行索引时，numpy将

'a'

解释为对

arr

行的索引。因此会引发

索引器错误

，因为字符串不是索引到数组维度的有效类型（“a”行是什么？）

当您尝试

arr['a'，1:3]

时也会发生同样的情况，因为这相当于使用元组

（'a'，slice（1，3，None））

进行索引。

'a'

和

1:3

之间的逗号使其成为元组，而不管是否缺少括号。同样，numpy尝试使用

'a'

索引到

arr

的行中，这是无效的。但是，即使这两个元素都是有效的索引类型，您仍然会得到一个

索引器

，因为元组（2）的长度大于

arr

（1）中的维度数

---

arr['a'][1:3]

和

arr[1:3]['a']

都是索引字段切片的非常有效的方法。

我想，如果字段是类型和字节长度的混合体，您可以在这样的数组上发布功能请求。在您的情况下，字段都是相同的类型，也可以用普通的

ndarray

表示。该结构增加的全部功能是使用名称“索引”值。字典

{'A'：0，'b'：1}

或变量赋值

A，b=0,1

也应该可以。是的，实际上它回答了这个问题，同时也破坏了我对一致行为的希望（我希望我错过了一些东西）。。。这对于用户来说是非常不直观的，因为在标准库和numpy中，传递一个单元组作为索引而不是一个普通值会完全改变结果（第二个问题也是由这个事实引起的）。我可能会为numpy发布一个特性请求，但这也可能被认为是一个bug——因为行为完全不一致。为什么不把字段当作一个额外的维度，或者在这种情况下允许它们……您是在要求从根本上改变数组数据的存储和访问方式，还是仅仅在符号上做一个表面的改变？您是否会更改维度上的操作，如

重塑

和

交换盘

？我认为这将是一个可怕的混乱-您需要将字段设置为一个“特殊”维度，这需要一种完全不同的语法来进行索引（

arr['foo'：'bar']

显然没有意义）。如果字段包含异构数据类型，则会完全破坏

.restrape（）

，

.ravel（）

等。

arr['a'][1:3]

通常更可取。@seberg有什么特殊原因吗？我没有注意到这两种方法在索引性能上有太大的差异，即使对于一个包含1000个随机

float64

字段的

（10000，）

数组也是如此。