1. 关联不同类型数据

numpy的数组为了提高计算性能，要求数组的数据类型要一致。
但是现实情况下，我们经常遇到不是纯数值的数组，比如：

name = ["harry", "tom", "annie"]
sex = ["male", "male", "female"]
age = [40, 31, 14]

arr = np.array([name, sex, age])
print(arr)
#运行结果
[['harry' 'tom' 'annie']
 ['male' 'male' 'female']
 ['40' '31' '14']]

上面三个数组的类型不一致，放到一个numpy数组中时，可以看出，age数组被自动转换为字符串类型了。

为了保持 age 数组的原有数据类型，就要用到numpy的结构化数组了。

arr = np.zeros(
    3,
    dtype={"names": ("name", "sex", "age"), 
           "formats": ("U10", "U10", "i4")},
)
print(arr)
#运行结果
[('', '', 0) ('', '', 0) ('', '', 0)]

arr["name"] = name
arr["sex"] = sex
arr["age"] = age
print(arr)
#运行结果
[('harry', 'male', 40) 
 ('tom', 'male', 31)
 ('annie', 'female', 14)]

定义数组时，定义不同的names和formats，这样，最后得到了结构化的数组，每个元素是一个元组，元组中的三个元素分别是name，sex，age。

这样的数组，保持了原数组的数据的类型。
补充：上面代码中的 U10 表示长度小于10 的字符串，i4 表示占4个字节的整数。

2. 结构化数组

生成结构化数组的关键在于定义不同的数据类型。
定义数据了类型有两种方式：
第一种是用字典，类似上面的示例那样，

dtp = np.dtype(
    {"names": ("name", "sex", "age"), 
     "formats": ("U10", "U10", "i4")}
)
arr = np.zeros(3, dtype=dtp)

arr["name"] = name
arr["sex"] = sex
arr["age"] = age
print(arr)
#运行结果
[('harry', 'male', 40) 
 ('tom', 'male', 31)
 ('annie', 'female', 14)]

还有一种方式是用元组列表来定义：

dtp = np.dtype([
    ("name", "U10"), 
    ("sex", "U10"),
    ("age", "i4")
])
arr = np.zeros(3, dtype=dtp)

arr["name"] = name
arr["sex"] = sex
arr["age"] = age
print(arr)
#运行结果
[('harry', 'male', 40) 
 ('tom', 'male', 31)
 ('annie', 'female', 14)]

两种方式定义出的结构化数组是一样的。

3. 更复杂的结构

除了定义上面那种类似excel表格的二维结构之外，numpy的数组也能定义跟复杂的结构。
比如定义学生的成绩列表：

dtp = np.dtype([("name", "U10"), ("scores", "f4", (3))])
arr = np.zeros(3, dtype=dtp)
print(arr)
#运行结果
[('', [0., 0., 0.]) 
 ('', [0., 0., 0.]) 
 ('', [0., 0., 0.])]

arr["name"] = ["harry", "tom", "annie"]
arr["scores"] = [[100, 95.5, 93], [89, 90, 78.5], [77.5, 76, 90]]
print(arr)
#运行结果
[('harry', [100. ,  95.5,  93. ]) 
 ('tom', [ 89. ,  90. ,  78.5])
 ('annie', [ 77.5,  76. ,  90. ])]

每个学生对应一个成绩列表，列表中包含3个成绩。