Q1.При преобразовании столбца в другой тип данных предпочтительным является np.array или np.astype?Я видел примеры использования np.astype, но оба, похоже, возвращают желаемый результат (оба возвращают копии исходного массива).
import numpy as np
## recasting string to integer
x = np.rec.array([('a','1'),('b','2')],names='col1,col2')
##
In []: x
Out[]:
rec.array([('a', '1'), ('b', '2')],
dtype=[('col1', '|S1'), ('col2', '|S1')])
##
dt = x.dtype.descr
dt[1] = (dt[1][0],'int')
## which is more appropriate:
y = np.array(x,dtype=dt)
## or
y = x.astype(dt)
## ?
In []: y
Out[]:
rec.array([('a', 1), ('b', 2)],
dtype=[('col1', '|S1'), ('col2', '<i4')])
Q2.Переименование столбцов: целочисленные столбцы становятся равными нулю при вызове np.array, но сохраняют свои значения с np.rec.array.Зачем?Насколько я понимаю, с первым вы получаете структурированный массив, а второй возвращает массив записей;для большинства целей я думал, что они были одинаковыми.И это поведение удивительно, в любом случае.
## rename 2nd column from col2 to v2
dt = copy.deepcopy(y.dtype)
names = list(dt.names)
names[1] = 'v2'
dt.names = names
## this is not right
newy = np.array(y,dtype=dt)
In []: newy
Out[]:
array([('a', 0), ('b', 0)],
dtype=[('col1', '|S1'), ('v2', '<i4')])
## this is correct
newy = np.rec.array(y,dtype=dt)
In []: newy
Out[]:
rec.array([('a', 1), ('b', 2)],
dtype=[('col1', '|S1'), ('v2', '<i4')])