структурированный подход массива:
определяют DTYPE в соответствии с вашими спецификациями колонки:
In [460]: dt=np.dtype('O,U10,f,i')
In [461]: from datetime import datetime
инициализировать пустой массив, с 3-х элементов (не 3х4)
In [462]: A = np.empty((3,), dtype=dt)
In [463]: A
Out[463]:
array([(None, '', 0.0, 0), (None, '', 0.0, 0), (None, '', 0.0, 0)],
dtype=[('f0', 'O'), ('f1', '<U10'), ('f2', '<f4'), ('f3', '<i4')])
заполняющих некоторые значения - по названию поля (не номер столбца)
In [464]: A['f1']=['one','two','three']
In [465]: A['f0'][0]=datetime(2016, 10, 1, 1, 0)
In [467]: A['f2']=np.arange(3)
In [468]: A
Out[468]:
array([(datetime.datetime(2016, 10, 1, 1, 0), 'one', 0.0, 0),
(None, 'two', 1.0, 0),
(None, 'three', 2.0, 0)],
dtype=[('f0', 'O'), ('f1', '<U10'), ('f2', '<f4'), ('f3', '<i4')])
Посмотреть на элемент этого массива:
In [469]: A[0]
Out[469]: (datetime.datetime(2016, 10, 1, 1, 0), 'one', 0.0, 0)
Я решил сделать 1-ю поле object
DTYPE, так что он может держать datetime
объект - который не является числом или строкой.
np.datetime64
хранит даты как поплавок, и предоставляет много функциональных возможностей, которые datetime
объекты не:
In [484]: dt1=np.dtype('datetime64[s],U10,f,i')
In [485]: A1 = np.empty((3,), dtype=dt1)
In [486]: A1['f0']=datetime(2016, 10, 1, 1, 0)
In [487]: A1['f3']=np.arange(3)
In [488]: A1
Out[488]:
array([(datetime.datetime(2016, 10, 1, 1, 0), '', 0.0, 0),
(datetime.datetime(2016, 10, 1, 1, 0), '', 0.0, 1),
(datetime.datetime(2016, 10, 1, 1, 0), '', 0.0, 2)],
dtype=[('f0', '<M8[s]'), ('f1', '<U10'), ('f2', '<f4'), ('f3', '<i4')])
Третий подход является сделать весь массив объектов DTYPE. Это действительно прославленный список. Многие операции прибегают к простой итерации или просто не реализованы. Это более общий, но вы теряете большую часть обычных числовых массивов.
['Структурированные массивы'] (http://docs.scipy.org/doc/numpy/user/basics.rec.html) может быть одним из вариантов. – Divakar