Python Numpy：结构化数组与相同数据类型的数组操作成本

Question

我想创建一个结构数组的数组：

[line_number,count,temperature,humidity,sensor1_on,sensor2_on]

其中前两个需要是uint32，而温度和湿度可以是uint8，sensor_ons 可以是bool 类型。

我稍后需要根据line_number的组合对二维数组进行排序，然后计数。我还需要对所有温度和湿度数据列表（分别）执行平均值和其他统计计算。

我找到了便于数据存储和检索的结构化数组：

np_data=np.zeros([num_lines],
                          dtype='uint32,'#Line No
                                'uint32,'# Count
                                'uint8,' #TEMP
                                'uint8,' #HUMID
                                'bool,' #S1 On
                                'bool'#S2 On
                          )

为了这个 vs

np_data=np.zeros([num_lines,5],dtype='uint32') 
# I would pack my bools into the last uint32 and then unpack later 
# but it seems like a waste of space

创建结构化数组与使用所有相同数据类型的数组相比，我是否会失去任何东西（numpy 处理能力、矢量化处理、排序速度等）？还有其他推荐的解决方案吗？

Answer 1

我对几种数组类型进行了一些性能测试。我的测试结果可作为此主题的答案：
is ndarray faster than recarray access?
（忽略对我问题的否决。显然有人不喜欢我的提问方式。）

简短版本：从掩码数组中提取数据比在 ndarray 上执行相同操作要慢得多。结构化数组和重新数组的访问时间比 ndarray 慢，但都只有几分之一秒。显然，使用掩码数组时会有开销（可能类似于记录数组？）。这里对数组类型之间的区别进行了很好的讨论：
numpy-discussion:structured-arrays-recarrays-and-record-arrays

还有其他限制。例如，许多（大多数/全部）numpy 矩阵和数学运算仅限于 ndarrays（需要相同的数据类型）。我认为这些不适用于您的情况，因为您使用的是结构化数组，例如表格。