如何使用full_like创建含不同字段值的NumPy结构化数组？

我希望创建一个与数组a形状相同的NumPy结构化数组b，其元素值为(-1, 1)，示例代码如下：

import numpy as np

Point = [('x', 'i4'), ('y', 'i4')]
a = np.zeros((4, 4), dtype='u1')
b = np.full_like(a, fill_value=(-1, 1), dtype=Point)  # 执行失败
b = np.full_like(a, -1, dtype=Point)  # 执行成功

当为所有字段设置相同值时，full_like()可以正常工作，但设置不同值时会报错：

multiarray.copyto(res, fill_value, casting='unsafe')
ValueError: could not broadcast input array from shape (2,) into shape (4,4)

请问除了通过循环为每个元素显式赋值(-1, 1)之外，还有其他解决方案吗？

解决方案 #

1. 使用np.full直接指定形状 #

直接调用np.full，传入目标数组的形状和结构化类型，它能正确识别元组为结构化数组的单个元素，完成填充：

import numpy as np

Point = [('x', 'i4'), ('y', 'i4')]
a = np.zeros((4, 4), dtype='u1')
b = np.full(a.shape, fill_value=(-1, 1), dtype=Point)

2. 批量赋值结构化数组的字段 #

先创建和a形状一致的空结构化数组，再通过字段名批量赋值，这种方式效率远高于循环：

import numpy as np

Point = [('x', 'i4'), ('y', 'i4')]
a = np.zeros((4, 4), dtype='u1')
b = np.empty_like(a, dtype=Point)
b['x'] = -1
b['y'] = 1

3. 利用广播机制构造数组 #

先定义单个结构化元素，再通过broadcast_to将其扩展到目标形状（如果需要可修改的数组，可追加.copy()）：

import numpy as np

Point = [('x', 'i4'), ('y', 'i4')]
a = np.zeros((4, 4), dtype='u1')
single_point = np.array((-1, 1), dtype=Point)
b = np.broadcast_to(single_point, a.shape)
# 若需要可修改数组，改为：b = np.broadcast_to(single_point, a.shape).copy()

内容的提问来源于stack exchange，提问作者Paul Jurczak