如何对NumPy结构化数组元素执行算术运算？

针对NumPy结构化数组的单个元素（标量结构体），无法直接用普通算术运算符完成2 * x[0] + x[1]这类运算，以下是几种高效的“NumPy化”解决方案：

方案一：字段直接运算（性能最优） #

直接针对每个字段执行运算，再构造新的结构化标量，完全利用NumPy的矢量化优化，适合数据规模较大的场景：

import numpy as np

x = np.array([(1, 1.5), (2, 5.21)], dtype=[('foo', 'i4'), ('bar', 'f8')])

# 对每个字段分别计算，再组装成结构化元素
result = np.array(
    (2 * x[0]['foo'] + x[1]['foo'], 2 * x[0]['bar'] + x[1]['bar']),
    dtype=x.dtype
)
print(result)  # 输出：(4, 8.21)

方案二：转换为普通数组运算后重构 #

将结构体元素转换为普通NumPy数组完成运算，再转回结构化类型，适合字段较多、不想逐一编写字段逻辑的场景：

import numpy as np

x = np.array([(1, 1.5), (2, 5.21)], dtype=[('foo', 'i4'), ('bar', 'f8')])

# 转换为普通数组执行运算
arr0 = np.array(x[0].tolist())
arr1 = np.array(x[1].tolist())
calc_result = 2 * arr0 + arr1

# 转回结构化标量
result = np.array(tuple(calc_result), dtype=x.dtype)
print(result)  # 输出：(4, 8.21)

方案三：使用np.vectorize批量处理 #

如果所有字段的运算规则一致，可通过np.vectorize包装运算逻辑，自动遍历每个字段：

import numpy as np

x = np.array([(1, 1.5), (2, 5.21)], dtype=[('foo', 'i4'), ('bar', 'f8')])

def struct_operation(a, b):
    return 2 * a + b

# 向量化函数，指定输出类型为原数组的dtype
vec_op = np.vectorize(struct_operation, otypes=[x.dtype])
# [()]用于取出标量结果
result = vec_op(x[0], x[1])[()]
print(result)  # 输出：(4, 8.21)

注意事项 #

• 当数据规模较大时，优先选择方案一，避免转换带来的额外开销，完全贴合NumPy按字段存储的设计逻辑。
• 若需批量处理多个结构化元素，可将它们堆叠为二维结构化数组，对整个数组的字段执行矢量化运算，能最大化利用NumPy的并行优化能力。

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