Python中如何实现类属性式访问numpy数组元素？

下面几种方案既能让你用有意义的名称访问数据，又完全保留Numpy的数组运算能力：

1. 结构化数组（Structured Array） #

这是Numpy原生的解决方案，通过定义字段名和对应数据类型，将普通二维数组转换为结构化数组，支持属性式访问，同时兼容所有Numpy操作。

import numpy as np

# 示例原始二维数组
data = np.array([
    [1.0, 2.0, 3.0, 4.0],
    [5.0, 6.0, 7.0, 8.0]
])

# 转换为结构化数组
structured_data = np.core.records.fromarrays(
    data.T,  # 转置后按列匹配字段
    dtype=[('ts', float), ('x', float), ('y', float), ('z', float)]
)

# 按属性访问单条样本
for sample in structured_data:
    ts_val = sample.ts
    x_val = sample.x
    print(f"ts: {ts_val}, x: {x_val}")

# 直接提取整列做运算
all_ts = structured_data['ts']
print(all_ts * 2)  # 输出: [ 2. 10.]

2. 记录数组（recarray） #

recarray是结构化数组的子类，进一步简化了整列数据的访问，可以直接用.操作符获取整列，无需用索引语法。

# 从结构化数组转换为recarray
rec_data = structured_data.view(np.recarray)

# 直接访问整列
print(rec_data.ts)  # 输出: [1. 5.]

# 遍历访问单条属性
for sample in rec_data:
    print(f"y: {sample.y}, z: {sample.z}")

# 正常执行矩阵运算
sum_sq = rec_data.x**2 + rec_data.y**2
print(sum_sq)  # 输出: [13. 85.]

3. 轻量自定义视图类 #

如果需要更灵活的封装，可以写一个不复制数据的视图类，通过属性暴露各列，同时实现__array__方法让类实例直接支持Numpy运算。

class DataView:
    def __init__(self, arr):
        self._arr = arr
    
    @property
    def ts(self):
        return self._arr[:, 0]
    
    @property
    def x(self):
        return self._arr[:, 1]
    
    @property
    def y(self):
        return self._arr[:, 2]
    
    @property
    def z(self):
        return self._arr[:, 3]
    
    # 让实例可直接参与Numpy运算
    def __array__(self):
        return self._arr

# 使用示例
data_view = DataView(data)

# 访问整列
print(data_view.z)  # 输出: [4. 8.]

# 遍历所有样本
for ts, x, y, z in zip(data_view.ts, data_view.x, data_view.y, data_view.z):
    print(f"ts: {ts}, coords: ({x}, {y}, {z})")

# 直接执行矩阵乘法
mat = np.array([[1, 0], [0, 1], [0, 0], [0, 0]])
result = data_view @ mat
print(result)
# 输出:
# [[1. 2.]
#  [5. 6.]]

以上方案都不会复制原始数据，完全保留Numpy的数组性能和运算能力，同时解决了依赖索引访问的不直观问题。

内容的提问来源于stack exchange，提问作者confused