メモリ効率を損なうことなく、NumPy 配列で異なるデータ型を組み合わせるには?

NumPy 配列での異種データ型の結合

NumPy では、多様なデータ型を含む異なる配列を結合する必要がある状況がよく発生します。組み合わせた。配列の連結は簡単な解決策ですが、多くの場合、配列全体が最初の配列のデータ型に変換され、潜在的なメモリ効率の低下につながります。

この課題に対処するには、次のアプローチを検討してください。

レコード配列:

レコード配列は、メモリ効率を損なうことなく、異種のデータ型を単一の配列に格納するための多用途な方法を提供します。これらはテーブルのような構造を採用しており、各列は対応するデータ型を持つフィールドを表します。たとえば、文字列の配列 (A) と整数の配列 (B) を組み合わせるには、次のようにレコード配列を作成できます。

<code class="python">records = numpy.rec.fromarrays((A, B), names=('keys', 'data'))</code>

レコード配列は 2 つのフィールドで構成されます。文字列）とデータ（整数）。 records['keys'] や records['data'] などの属性アクセスを使用して、これらのフィールドに個別にアクセスできます。

構造化配列:

構造化配列、レコード配列と同様に、配列のカスタム データ型を定義する方法を提供します。属性アクセスを使用する代わりに、インデックスを使用してさまざまなフィールドにアクセスします。構造化配列を作成するには:

<code class="python">arr = numpy.array([('a', 0), ('b', 1)], dtype=([('keys', '|S1'), ('data', 'i8')]))</code>

dtype 引数は、各タプルがフィールド名とデータ型を定義するタプルのタプルを指定します。結果の配列 arr には、arr['keys'] や arr['data'] など、インデックスを介してアクセスできるキー (文字列) フィールドとデータ (整数) フィールドがあります。

注:

構造化配列は、レコード配列のような属性アクセスを提供しません。ただし、直接インデックスを作成するアプローチにより、特定の操作ではより効率的になる場合があります。さらに、レコード配列と構造化配列の両方で、スライス、マスキング、ブロードキャストなどの操作がサポートされており、データ操作に柔軟性が提供されます。

以上がメモリ効率を損なうことなく、NumPy 配列で異なるデータ型を組み合わせるには?の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。