我能够将我的recarray数据复制到ndarray，进行一些计算并返回具有更新值的ndarray。
然后，我在append_fields()中发现了numpy.lib.recfunctions功能，并认为将2个字段简单地附加到我的原始数组中来保存我的计算值会更聪明。
当我这样做时，我发现操作要慢得多。我不必花时间，与基于recarray的一分钟+相比，基于ndarray的过程要花费几秒钟，并且我的测试数组很小，小于10,000行。
这是典型的吗？ ndarray访问比recarray快得多？我希望由于按字段名称进行访问而导致性能下降，但不会那么严重。
答案 0 :(得分：1)
更新日期为2018年11月15日
我扩展了时序测试，以弄清ndarray，结构化数组，recarray和masked数组（记录数组的类型？）的性能差异。每个都有细微的差异。查看此处的讨论：
numpy-discussion:structured-arrays-recarrays-and-record-arrays
这是我的性能测试的结果。我建立了一个非常简单的示例（使用我的HDF5数据集之一）来比较性能与存储在4种类型的数组中的相同数据：ndarray，结构化数组，recarray和masked数组。构造数组后，将它们传递给一个函数，该函数仅循环遍历每一行并从每一行提取12个值。从WHERE (product.id <> new_product.product_id)函数通过一次调用（数字= 1）调用这些函数。此测试仅测量数组读取功能，并避免所有其他计算。
以下给出9,000行的结果：
SELECT SERVICE, CNT FROM (
SELECT SERVICE, COUNT(*) AS CNT
FROM SUBSCRIBERS INNER JOIN SERVICE_SUBSCRIBERS ON
SERVICE_SUBSCRIBERS.LINE=SUBSCRIBERS.PORTID
GROUP BY SERVICE
) WHERE ROWNUM = 1 ORDER BY CNT DESC
基于此测试，每种类型的访问性能都会下降。结构化数组和Recarray的访问时间比ndarray的访问时间慢4到13倍（但都只有几分之一秒）。但是，ndarray访问比屏蔽数组访问快1000倍。这就解释了我在完整示例中看到的秒到分钟的差异。希望这些数据对遇到此问题的其他人有用。