目前為止，介紹的numpy數組基本都是關於數值的，其實，numpy本身就是一個用於數值計算的基礎庫。

不過，除了數值計算之外，numpy也能夠支持結構化數組。

1. 關聯不同類型數據

numpy的數組為了提高計算性能，要求數組的數據類型要一致。
但是現實情況下，我們經常遇到不是純數值的數組，比如：

name = ["harry", "tom", "annie"]
sex = ["male", "male", "female"]
age = [40, 31, 14]

arr = np.array([name, sex, age])
print(arr)
#運行結果
[['harry' 'tom' 'annie']
 ['male' 'male' 'female']
 ['40' '31' '14']]

上面三個數組的類型不一致，放到一個numpy數組中時，可以看出，age數組被自動轉換為字元串類型了。

為了保持 age 數組的原有數據類型，就要用到numpy的結構化數組了。

arr = np.zeros(
    3,
    dtype={"names": ("name", "sex", "age"), 
           "formats": ("U10", "U10", "i4")},
)
print(arr)
#運行結果
[('', '', 0) ('', '', 0) ('', '', 0)]

arr["name"] = name
arr["sex"] = sex
arr["age"] = age
print(arr)
#運行結果
[('harry', 'male', 40) 
 ('tom', 'male', 31)
 ('annie', 'female', 14)]

定義數組時，定義不同的names和formats，這樣，最後得到了結構化的數組，每個元素是一個元組，元組中的三個元素分別是name，sex，age。

這樣的數組，保持了原數組的數據的類型。
補充：上面代碼中的 U10 表示長度小於10 的字元串，i4 表示占4個位元組的整數。

2. 結構化數組

生成結構化數組的關鍵在於定義不同的數據類型。
定義數據了類型有兩種方式：
第一種是用字典，類似上面的示例那樣，

dtp = np.dtype(
    {"names": ("name", "sex", "age"), 
     "formats": ("U10", "U10", "i4")}
)
arr = np.zeros(3, dtype=dtp)

arr["name"] = name
arr["sex"] = sex
arr["age"] = age
print(arr)
#運行結果
[('harry', 'male', 40) 
 ('tom', 'male', 31)
 ('annie', 'female', 14)]

還有一種方式是用元組列表來定義：

dtp = np.dtype([
    ("name", "U10"), 
    ("sex", "U10"),
    ("age", "i4")
])
arr = np.zeros(3, dtype=dtp)

arr["name"] = name
arr["sex"] = sex
arr["age"] = age
print(arr)
#運行結果
[('harry', 'male', 40) 
 ('tom', 'male', 31)
 ('annie', 'female', 14)]

兩種方式定義出的結構化數組是一樣的。

3. 更複雜的結構

除了定義上面那種類似excel表格的二維結構之外，numpy的數組也能定義跟複雜的結構。
比如定義學生的成績列表：

dtp = np.dtype([("name", "U10"), ("scores", "f4", (3))])
arr = np.zeros(3, dtype=dtp)
print(arr)
#運行結果
[('', [0., 0., 0.]) 
 ('', [0., 0., 0.]) 
 ('', [0., 0., 0.])]

arr["name"] = ["harry", "tom", "annie"]
arr["scores"] = [[100, 95.5, 93], [89, 90, 78.5], [77.5, 76, 90]]
print(arr)
#運行結果
[('harry', [100. ,  95.5,  93. ]) 
 ('tom', [ 89. ,  90. ,  78.5])
 ('annie', [ 77.5,  76. ,  90. ])]

每個學生對應一個成績列表，列表中包含3個成績。

4. 總結回顧

總的來說，numpy的結構化數組並不常用，對於結構化數組，使用 pandas庫來操作更好。
numpy庫一般作為純數值計算的底層來使用，其實pandas也是基於 numpy 的。

此外，還有很多其他的python科學計算的庫也是基於numpy的。