Numpy Structured Array

нашел занятный способ через доп поле с offset'ами. жесть. кхм

хотя учитывая что разрабы numpy походу очень любят void*, ничего удивительного

http://xarray.pydata.org

Я не понял, тебя интересует выражение a.dot(b) или даже np.dot()?

как вариант хотя бы это. Вообще любая стандартная арифметика, но с structured массивом в качестве одного из аргументов

занятно, спасибо

Примеры здесь https://docs.scipy.org/doc/numpy/reference/generated/numpy.dot.html

капитан, спасибо. вот только со структурированными массивами это нифига не работает

пример массива ниже

import numpy as np

a = np.array([(1,2), (3,4)], dtype={'names':['a','b'], 'formats': ['f8', 'f8']})

цель - например умножить каждый элемент на 2 (без цикла, разумеется)

a['a'] *= 2
a['b'] *= 2

можно пройтись в цикле по полям dtype. Способ лучше я не знаю, больше того, официальные доки пишут, что

comparing void structured arrays, and arithmetic and bitwise operations are not supported

отсюда: https://docs.scipy.org/doc/numpy/user/basics.rec.html#indexing-and-assignment...

Опередил.

ОП, не могу понять, чем тебя не устраивает чистый np.array.

Конвертируй из pandas, делай все операции и конвертируй обратно (если тебе это действительно нужно)

ОП, не могу понять, чем тебя не устраивает чистый np.array

тем что рядом придется держать словарь с названиями полей. там пачка моделей юзает один основной массив, и разным нужны разные поля и в разном порядке

Конвертируй из pandas, делай все операции и конвертируй обратно (если тебе это действительно нужно)

и так на каждый цикл... не, это вообще жесть будет

comparing void structured arrays, and arithmetic and bitwise operations are not supported

хреново.

плюс обнаружил что scipy не умеет юзать такие массивы в оптимизаторах (вернее не умеет их передать в фортрановую либу). голяк короче

import numpy as np

a = np.array([(1,2), (3,4)], dtype={'names':['a','b'], 'formats': ['f8', 'f8']})
print("a:\n", a)

print("a.view:\n", a.view((a.dtype[0], len(a.dtype.names))) )

print("2 * a:\n", np.dot(2, a.view((a.dtype[0], len(a.dtype.names)))) )

вывод

a:
 [(1.0, 2.0) (3.0, 4.0)]
a.view:
 [[ 1.  2.]
 [ 3.  4.]]
2 * a:
 [[ 2.  4.]
 [ 6.  8.]]

что-то опять не то :(

Да, через view уже тоже нашел. Но тут начинаются радости с потерей во вьюхе имен столбцов. В плане что приходится крайне аккуратно следить что именно юзать на каждой строке - вьюху или сам массив. Плюс весь массив должен иметь один тип.

Но походу это самый адекватный вариант

Только я таким решением не смог поменять значения самого массива.

да? занятно. а приравнять ругается? если прямо к вьюхе

Кажется, ругался.

там пачка моделей юзает один основной массив, и разным нужны разные поля и в разном порядке

А порядок их заранее известен и сохраняется от задачи к задачи?

не умеет их передать в фортрановую либу

Может тогда сразу фортрановские массивы использовать и, если нужно работать с отдельными столбцами и блоками, то обращаться к ним как к «срезу» через указатель или через associate (что внешне на вид практически одно и то же, но второе в пределах своего блока должно работать)?

Надо бы заботать как-нибудь основательнее и numpy и fortran :(