这是我关于stackoverflow的第一个问题。到目前为止，我所有的问题都已经被提出，但是即使经过大量研究，我仍然找不到答案。因此，这里去：
我想在我为其强制转换为dtype的numpy数组中进行数学运算。这在R中是微不足道的，但在python中却很复杂。
import numpy as np
from StringIO import StringIO
test = "a,1,2\nb,3,4"
data = np.genfromtxt(StringIO(test), delimiter=",", dtype=None)
这给了我：
print data
#array([('a', 1, 2), ('b', 3, 4)],
# dtype=[('f0', '|S1'), ('f1', '<i8'), ('f2', '<i8')])
但是，如果我尝试对数据的数字子集执行任何数学运算，则会收到错误消息：
subData = data[['f1','f2']]
print subData
# [(1, 2) (3, 4)]
subData+1
#TypeError: unsupported operand type(s) for +: 'numpy.ndarray' and 'int'
甚至：
subData + subData
#TypeError: unsupported operand type(s) for +: 'numpy.ndarray' and 'numpy.ndarray'
我想出的唯一解决方案不是一个非常优雅或实用的解决方案，因为我倾向于丢失列名称和类型以及原始形状：
subData.view(int) + 1
非常感谢。
最佳答案
只是为了详细说明我的观点，结构化数组并不完全适合此目的。它们是类似C的结构的数组。它们可以用来容纳不同类型的列，但是很快就会变得麻烦。它们对于某些事情非常有用，但是“类似于电子表格”的数据不是其中之一。通常，当每个列具有不同的类型时，只需将它们存储为自己的数组。 （这基本上是pandas所做的。）
这是因为结构化数组不是列具有不同类型的数组，它们是每个项目都是具有不同类型的序列的数组。
如果您确实想将第一列以外的所有内容都转换为“普通” 2D数组，则可以执行以下操作：
numeric_data = np.c_[[data[col] for col in data.dtype.names[1:]]]
但是，如果ror数据的每一列都是不同的类型，则最好使用
pandas。它用于类似电子表格的数据。from StringIO import StringIO
import pandas as pd
test = "a,1,2\nb,3,4"
data = pd.read_csv(StringIO(test), header=None)
print data[[1,2]] + 5
关于python - 包含字符串和数字的ndarray上的Numpy操作，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/21661308/