如何从数据数组高效创建自定义对象的numpy数组？

一、简化循环的写法 #

如果一定要生成每个元素都是A类实例的数组，可以用列表推导替代嵌套循环，代码更简洁：

a_instances = numpy.array([[A(x, y) for y in b_vals] for x in a_vals], dtype=object)

也可以结合meshgrid的结果，先扁平化再重塑形状：

flat_a = ma.flatten()
flat_b = mb.flatten()
a_instances = numpy.array([A(x, y) for x, y in zip(flat_a, flat_b)], dtype=object).reshape(ma.shape)

这类方法本质还是循环，仅在语法上更简洁，性能和嵌套循环差异不大。

二、用numpy.vectorize做语法包装 #

numpy.vectorize可以将接收单个参数的函数转换为能处理数组的函数，用来生成实例数组：

vec_create_A = numpy.vectorize(lambda x, y: A(x, y))
a_instances = vec_create_A(ma, mb)

注意：vectorize只是语法糖，底层依然是循环，不会带来性能提升，但代码更简洁。

三、Numpy官方推荐的方案 #

Numpy不推荐创建元素为Python对象的数组（即dtype=object），这类数组无法利用Numpy的向量化优化，性能远低于原生数值数组。官方更建议两种替代方案：

1. 单个A实例存储数组（即你提到的第一种方式） #

这种方式完全契合Numpy的向量化设计，所有操作都能利用Numpy的高效计算：

ma, mb = numpy.meshgrid(a_vals, b_vals, indexing="ij")
a_instance = A(ma, mb)

后续对a.a和a.b的操作都是原生数组运算，性能最优。

2. 使用结构化数组模拟类封装 #

如果需要类似“每个位置有一组属性”的结构，推荐用Numpy的结构化数组，它是Numpy原生支持的类型，能兼顾结构封装和向量化性能：

# 定义和A类属性对应的结构化dtype
a_dtype = numpy.dtype([('a', numpy.float64), ('b', numpy.float64)])
# 创建结构化数组
a_structured = numpy.empty(ma.shape, dtype=a_dtype)
# 赋值
a_structured['a'] = ma
a_structured['b'] = mb

访问时和类实例类似：a_structured[i,j]['a']、a_structured[i,j]['b']，同时所有数组操作都能高效执行。

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