目前为止，介绍的numpy数组基本都是关于数值的，其实，numpy本身就是一个用于数值计算的基础库。
不过，除了数值计算之外，numpy也能够支持结构化数组。
1. 关联不同类型数据
numpy的数组为了提高计算性能，要求数组的数据类型要一致。
但是现实情况下，我们经常遇到不是纯数值的数组，比如：
name = ["harry", "tom", "annie"]sex = ["male", "male", "female"]age = [40, 31, 14]arr = np.array([name, sex, age])print(arr)#运行结果[['harry' 'tom' 'annie'] ['male' 'male' 'female'] ['40' '31' '14']]上面三个数组的类型不一致，放到一个numpy数组中时，可以看出，age数组被自动转换为字符串类型了。
为了保持 age 数组的原有数据类型，就要用到numpy的结构化数组了。
arr = np.zeros( 3, dtype={"names": ("name", "sex", "age"), "formats": ("U10", "U10", "i4")},)print(arr)#运行结果[('', '', 0) ('', '', 0) ('', '', 0)]arr["name"] = namearr["sex"] = sexarr["age"] = ageprint(arr)#运行结果[('harry', 'male', 40) ('tom', 'male', 31) ('annie', 'female', 14)]定义数组时，定义不同的names和formats，这样，最后得到了结构化的数组，每个元素是一个元组，元组中的三个元素分别是name，sex，age。
这样的数组，保持了原数组的数据的类型。
补充：上面代码中的 U10 表示长度小于10 的字符串，i4 表示占4个字节的整数。
2. 结构化数组
生成结构化数组的关键在于定义不同的数据类型。
定义数据了类型有两种方式：
第一种是用字典，类似上面的示例那样，
dtp = np.dtype( {"names": ("name", "sex", "age"), "formats": ("U10", "U10", "i4")})arr = np.zeros(3, dtype=dtp)arr["name"] = namearr["sex"] = sexarr["age"] = ageprint(arr)#运行结果[('harry', 'male', 40) ('tom', 'male', 31) ('annie', 'female', 14)]还有一种方式是用元组列表来定义：
dtp = np.dtype([ ("name", "U10"), ("sex", "U10"), ("age", "i4")])arr = np.zeros(3, dtype=dtp)arr["name"] = namearr["sex"] = sexarr["age"] = ageprint(arr)#运行结果[('harry', 'male', 40) ('tom', 'male', 31) ('annie', 'female', 14)]两种方式定义出的结构化数组是一样的。
3. 更复杂的结构
除了定义上面那种类似excel表格的二维结构之外，numpy的数组也能定义跟复杂的结构。
比如定义学生的成绩列表：
dtp = np.dtype([("name", "U10"), ("scores", "f4", (3))])arr = np.zeros(3, dtype=dtp)print(arr)#运行结果[('', [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)#运行结果[('harry', [100. , 95.5, 93. ]) ('tom', [ 89. , 90. , 78.5]) ('annie', [ 77.5, 76. , 90. ])]每个学生对应一个成绩列表，列表中包含3个成绩。
4. 总结回顾
总的来说，numpy的结构化数组并不常用，对于结构化数组，使用 pandas库来操作更好。numpy库一般作为纯数值计算的底层来使用，其实pandas也是基于 numpy 的。
此外，还有很多其他的python科学计算的库也是基于numpy的。