简单地说，你应该使用结构化数组而不是重新数组，因为结构化数组更快，重新数组的唯一优点是允许你写arr.x而不是arr['x']，这是一个方便的快捷方式，但如果你的列名与numpy方法/属性冲突，也容易出错。
请参阅@jakevdp的书中的excerpt以获得更详细的解释。特别是，他指出，简单地访问结构化数组的列可以比访问重新数组的列快20倍到30倍左右。然而，他的示例使用了一个只有4行的非常小的数组，并且没有执行任何标准操作。
对于更大的数组的简单操作，差异可能会小得多，尽管结构化数组仍然更快。例如，这里有一个结构化和记录数组，每个数组有10，000行（从@jpp answer here借用的数组创建数组的代码）。

n = 10_000
df = pd.DataFrame({ 'x':np.random.randn(n) })
df['y'] = df.x.astype(int)

rec_array = df.to_records(index=False)

s = df.dtypes
struct_array = np.array([tuple(x) for x in df.values], dtype=list(zip(s.index, s)))

字符串
如果我们做一个标准的操作，比如将一个列乘以2，那么结构化数组的速度大约快50%：

%timeit struct_array['x'] * 2
9.18 µs ± 88.9 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

%timeit rec_array.x * 2
14.2 µs ± 314 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

型

记录/重新排列在
https://github.com/numpy/numpy/blob/master/numpy/core/records.py
一些相关的报价从这个文件
记录数组记录数组将结构化数组的字段作为属性公开。recarray几乎与标准数组相同（已经支持命名字段）最大的区别是它可以使用属性查找来查找字段，并且它是使用记录构造的。
recarray是ndarray的子类（与matrix和masked arrays相同）。但请注意，它的构造函数与np.array不同。它更像np.empty(size, dtype)。

class recarray(ndarray):
    """Construct an ndarray that allows field access using attributes.
    This constructor can be compared to ``empty``: it creates a new record
       array but does not fill it with data.

字符串
将唯一字段实现为属性行为的关键函数是__getattribute__（__getitem__实现索引）：

def __getattribute__(self, attr):
    # See if ndarray has this attr, and return it if so. (note that this
    # means a field with the same name as an ndarray attr cannot be
    # accessed by attribute).
    try:
        return object.__getattribute__(self, attr)
    except AttributeError:  # attr must be a fieldname
        pass

    # look for a field with this name
    fielddict = ndarray.__getattribute__(self, 'dtype').fields
    try:
        res = fielddict[attr][:2]
    except (TypeError, KeyError):
        raise AttributeError("recarray has no attribute %s" % attr)
    obj = self.getfield(*res)

    # At this point obj will always be a recarray, since (see
    # PyArray_GetField) the type of obj is inherited. Next, if obj.dtype is
    # non-structured, convert it to an ndarray. If obj is structured leave
    # it as a recarray, but make sure to convert to the same dtype.type (eg
    # to preserve numpy.record type if present), since nested structured
    # fields do not inherit type.
    if obj.dtype.fields:
        return obj.view(dtype=(self.dtype.type, obj.dtype.fields))
    else:
        return obj.view(ndarray)

型
它首先尝试获取一个常规属性-像.shape，.strides，.data，以及所有的方法（.sum，.reshape等）。如果失败，它然后在dtype字段名称中查找名称。所以它实际上只是一个具有一些重新定义的访问方法的结构化数组。
record array和recarray是一样的。
另一份文件显示了
https://github.com/numpy/numpy/blob/master/numpy/lib/recfunctions.py的
用于操作结构化数组的实用程序集合。这些函数中的大多数最初由John Hunter为matplotlib实现。为了方便起见，它们已被重写和扩展。
此文件中的许多函数都以以下结尾：

if asrecarray:
        output = output.view(recarray)

型
您可以将数组返回为recarray视图，这一事实表明这一层是多么的“薄”。
numpy有很长的历史，并合并了几个独立的项目。我的印象是，recarray是一个老的想法，和结构化数组，目前的实现，建立在一个广义的dtype。recarrays似乎是为了方便和向后兼容，而不是任何新的发展。但我必须研究github文件的历史，和任何最近的问题/拉请求，以确保。