numpy append_field 给出具有 2d 形状的新字段的形状错误

我有一个结构化的numpy数组，我想使用recfunctions库http://pyopengl.sourceforge.net/pydoc/numpy.lib.recfunctions.html http://pyopengl.sourceforge.net/pydoc/numpy.lib.recfunctions.html函数append_fields()或rec_append_fields()在字段中追加一些内容 塑造它。但是，我收到错误：

ValueError：操作数无法与形状 (10) (10,3) 一起广播

where 10是我现有数组的长度，并且(3,)是我要附加的字段的形状。

例如：

import numpy as np
from numpy.lib.recfunctions import append_fields


my_structured_array = np.array(
    zip([0,1,2,3],[[4.3,3.2],[1.4,5.6],[6.,2.5],[4.5,5.4]]),
    dtype=[('id','int8'),('pos','2float16')]
    )
my_new_field = np.ones(
    len(my_structured_array),
    dtype='2int8'
    )
my_appended_array = append_fields(
    my_structured_array,
    'new',
    data=my_new_field
    )

ValueError：操作数无法与形状一起广播 (4) (4,2)

有任何想法吗？我尝试制作my_new_field元组列表并放置 dtype 将具有正确形状的参数放入append_fields()中：

my_new_field = len(my_structured_array)*[(1,1)]

my_appended_array = append_fields(
    my_structured_array,
    'new',
    data=my_new_field,
    dtype='2int8'
    )

但一旦转换为 numpy 数组，结果似乎是一样的。

当我使用 rec_append_fields() 而不是简单地使用时，这一切似乎都没有改变 追加字段()

编辑： 鉴于我的新字段与数组的形状不同，我认为我想要的附加是不可能的，建议如下@radicalbiscuit https://stackoverflow.com/users/895755/radicalbiscuit.

In : my_new_field.shape
Out: (4, 2)

In : my_structured_array.shape
Out: (4,)

但是，我在数组中包含了形状与原始数组不同的原始字段之一来表达我的观点，即字段不必具有与结构化数组相同的形状。我如何附加这样的字段？

In : my_structured_array['pos'].shape
Out: (4, 2)

In : my_new_field.shape
Out: (4, 2)

我应该注意，对于我的应用程序，只要以后可以以某种方式更改形状，我就可以附加一个空字段。谢谢！

append_fields()确实要求两个数组具有相同的形状。话虽这么说，正如您意识到的那样my_structured_array，numpy 确实支持子数组（即字段本身可以是具有形状的数组）。

就你而言，我想你可能想要my_new_field不是二维数组，而是一维数组（形状shape(my_structured_array)) 具有 dtype 的元素，例如，dtype([('myfield', '<i8', (2,))])。例如，

import numpy as np
from numpy.lib.recfunctions import append_fields

my_structured_array = np.array(
    zip([0,1,2,3],[[4.3,3.2],[1.4,5.6],[6.,2.5],[4.5,5.4]]),
    dtype=[('id','int8'),('pos','2float16')]
    )

my_new_field = np.ones(
    len(my_structured_array),
    dtype=[('myfield', 'i8', 2)]
    )

my_appended_array = append_fields(
    my_structured_array,
    'new',
    data=my_new_field
    )

将会产生，

>>> my_appended_array[0]
(0, [4.30078125, 3.19921875], ([1, 1],))

虽然数据类型稍微不方便，因为myfield嵌套在new,

>>> my_appended_array.dtype
dtype([('id', '|i1'), ('pos', '<f2', (2,)), ('new', [('myfield', '<i8', (2,))])])

然而，这很容易被强制消除，

>>> np.asarray(my_appended_array, dtype=[('id', '|i1'), ('pos', '<f2', (2,)), ('myfield', '<i8', (2,))])
array([(0, [4.30078125, 3.19921875], [0, 0]),
       (1, [1.400390625, 5.6015625], [0, 0]), (2, [6.0, 2.5], [0, 0]),
       (3, [4.5, 5.3984375], [0, 0])], 
      dtype=[('id', '|i1'), ('pos', '<f2', (2,)), ('myfield', '<i8', (2,))])

不过，有点不幸的是我们不得不重复 dtypemy_structured_array这里。虽然乍一看似乎是numpy.lib.recfunctions.flatten_descr可以做展平 dtype 的肮脏工作，不幸的是它给出了一个元组而不是所需的列表np.dtype。然而，将其输出强制到列表可以解决这个问题，

>>> np.dtype(list(np.lib.recfunctions.flatten_descr(my_appended_array.dtype)))
dtype([('id', '|i1'), ('pos', '<f2', (2,)), ('myfield', '<i8', (2,))])

这可以作为 dtype 传递给np.asarray，使事情对变化稍微更加稳健my_structured_array.dtype.

事实上，像这样的微小不一致使得记录数组的处理变得混乱。人们会感觉事物可以更连贯地组合在一起。

Edit:事实证明，np.lib.recfunctions.merge_arrays函数更适合这种合并，

 >>> my_appended_array = merge_arrays([my_structured_array, my_new_field], flatten=True)
 array([(0, [4.30078125, 3.19921875], [1, 1]),
        (1, [1.400390625, 5.6015625], [1, 1]), (2, [6.0, 2.5], [1, 1]),
        (3, [4.5, 5.3984375], [1, 1])], 
       dtype=[('id', '|i1'), ('pos', '<f2', (2,)), ('myfield', '<i8', (2,))])