# 记录数组

记录数组（`record array`）与结构数组类似：

In [1]:

```
import numpy as np

```

质点类型：

In [2]:

```
partical_dtype = np.dtype([('mass', 'float'), 
                           ('velocity', 'float')])

```

生成记录数组要使用 `numpy.rec` 里的 `fromrecords` 方法：

In [3]:

```
from numpy import rec

particals_rec = rec.fromrecords([(1,1), (1,2), (2,1), (1,3)], 
                                dtype = partical_dtype)

```

In [4]:

```
particals_rec

```

Out[4]:

```
rec.array([(1.0, 1.0), (1.0, 2.0), (2.0, 1.0), (1.0, 3.0)], 
      dtype=[('mass', '<f8'), ('velocity', '<f8')])
```

在记录数组中，域可以通过属性来获得：

In [5]:

```
particals_rec.mass

```

Out[5]:

```
array([ 1.,  1.,  2.,  1.])
```

也可以通过域来查询：

In [6]:

```
particals_rec['mass']

```

Out[6]:

```
array([ 1.,  1.,  2.,  1.])
```

不过，记录数组的运行效率要比结构化数组要慢一些。

也可以通过将一个结构化数组看成记录数组：

In [7]:

```
particals = np.array([(1,1), (1,2), (2,1), (1,3)],
                     dtype = partical_dtype)

```

使用 `view` 方法看成 `recarray` ：

In [8]:

```
particals_rec = particals.view(np.recarray)

```

In [9]:

```
particals_rec.mass

```

Out[9]:

```
array([ 1.,  1.,  2.,  1.])
```

In [10]:

```
particals_rec.velocity

```

Out[10]:

```
array([ 1.,  2.,  1.,  3.])
```

对于自定义的类型，可以通过它的 `names` 属性查看它有哪些域：

In [11]:

```
particals.dtype.names

```

Out[11]:

```
('mass', 'velocity')
```