多维数组擅长数值密集型运算但缺乏字段语义，结构化数组则通过dtype定义字段名、类型与逻辑关系；二者协同使用：加载阶段用结构化数组保留语义，建模前提取关键字段转为多维数组进行向量化计算，结果再回填至结构化格式。
多维数组本身擅长数值密集型运算，但天然不支持字段语义；结构化数据处理则强调字段名、类型和逻辑关系。二者结合，才能既保持计算效率，又保留业务含义。
多维数组适合做什么
它本质是同质、规则的数值网格，优势在于：
- 统一数据类型（如全 float64），内存连续，支持向量化运算
- 快速广播、切片、矩阵乘法、统计聚合（axis=0/1 指定方向）
- 图像像素、传感器时序、模型权重等场景中，维度即物理意义（如 height×width×channel）
结构化数组解决什么问题
当一行数据包含姓名（字符串）、年龄（整数）、薪资（浮点数）等异构字段时，普通多维数组无法自然表达。结构化数组通过 dtype 定义字段契约：
- 每个字段有独立名称与类型，如 dtype([('name', 'U20'), ('age', 'i4'), ('score', 'f8')])
- 访问方式直观：arr['name'] 取全部姓名，arr[2]['score'] 取第3条记录的分数
- 字段可单独参与运算或筛选，比如 arr[arr['age'] > 30] 筛选中年员工
实际中怎么配合使用
不强行二选一，而是按阶段分工：
- 原始加载阶段用结构化数组：保留字段语义，便于清洗、过滤、分组
- 进入建模或数值计算前，提取关键字段转为纯多维数组——例如把 arr['height'] 和 arr['weight'] 拼成 (n, 2) 的特征矩阵
- 结果回填时再映射回结构化格式，比如将预测值写入新字段 arr['pred'] = predictions
注意性能边界
结构化数组比纯数值数组稍慢，尤其在大量字段或小批量操作时：
- 避免在循环里频繁访问单个字段；优先用布尔索引或向量化条件
- 字段过多时考虑是否真需全部载入内存，可先用 Pandas 做初步筛选，再转 NumPy 结构化数组
- 若仅需部分字段参与计算，直接提取为普通 ndarray，别拖着整个结构体运算
