可能与Ashley的帖子重复(但我还不能发表评论；)。
当我试图将列添加到我的初始FITS_rec的子选择/样本中时，我也遇到了同样的问题(基于numpyrecarray)；所有的行都重新出现了(而且这个新列的填充似乎没有得到尊重…)。Vlas Sokolov提出的">hdu_sliced._get_raw_data()"是一个对我来说非常有效的解决方案，但我想知道：
1) Iguananaut提出了哪些"更好的方法"？我当然需要有人帮我搜索一下；新手我感觉被卡住了：$(需要住在FITS_rec)。
2) 这是意料之中的行为吗？意思是，我们真的想研究一个"屏蔽数组"吗？它是我们原始数组的副本？最让我担心的是新计算列中的值的"崩溃"。见下文：
# A nice FITS_rec
a1 = np.array(['NGC1001', 'NGC1002', 'NGC1003'])
a2 = np.array([11.1, 12.3, 15.2])
col1 = fits.Column(name='target', format='20A', array=a1)
col2 = fits.Column(name='V_mag', format='E', array=a2)
cols = fits.ColDefs([col1, col2])
hdu = fits.BinTableHDU.from_columns(cols)
ori_rec=hdu.data
ori_rec
`
FITS_rec([(‘NGC101’，11.1)，(‘NGC102’，12.3)，(’NGC103’，15.2)]，dtype=(numpy.record，[('target'，'S20')，('V_mag'，'
# Sub-selection
bug=ori_rec[ori_rec["V_mag"]>12.]
bug
FITS_rec([(‘NGC102'，12.3)，(‘NGC103'，15.2)]，dtype=(numpy.record，[('target'，'S20')，('V_mag'，'
到目前为止还不错…
# Let's add a new column
col0=bug.columns
col1 =fits.ColDefs([fits.Column(name='new',format='D',array=bug.field("V_mag")+1.)])
newbug = fits.BinTableHDU.from_columns(col0 + col1).data
FITS_rec([(‘NGC101’，11.113.30000019)，(‘NGC102’，12.316.20000076)，('nc1003'，15.2，0.)]，dtype=(numpy.record，[('target'，'S20')，('V_mag'，'
…AND…NGC102和NGC103的新列的值是正确的，但分别在NGC101和NGC102的行中…：|
任何启示都将受到欢迎：)
这是一个令人困惑的问题，它源于astropy.io.fits中有许多层遗留类和数据结构(源于PyFITS的早期版本)。例如，在您的示例中，您可以看到hdu.data是一个FITS_rec对象，它类似于Numpy recarray(本身是一个软弃用的遗留类)，但它也有.columns属性(正如您所指出的)：
>>> bug.columns
ColDefs(
name = 'target'; format = '20A'
name = 'V_mag'; format = 'E'
)
这反过来实际上保留了对原始数组的引用，您从中描述了列。例如：
>>> bug.columns['target'].array
chararray(['NGC1001', 'NGC1002', 'NGC1003'],
dtype='|S20')
您可以在这里看到，即使bug是原始表的"切片"，通过bug.columns引用的数组仍然包含原始的、未切片的数组数据。所以当你做一些像在你的原始后
>>> col0 = bug.columns
>>> col1 = fits.ColDefs([fits.Column(name='new',format='D',array=bug.field("V_mag")+1.)])
它在这里尽了最大努力来弄清楚意图，但这里的col0已经不知道bug是原始表的一部分了，它只有原始的"coldefs"和完整的列可以依赖。
这些类中的大多数，包括FITS_rec、Column，尤其是ColDefs，几乎不再需要直接使用。不幸的是，并不是所有的文档都更新了以反映这一事实，还有很多旧的教程和示例代码显示了这些类的用法。没有一个具备必要专业知识的人能够花时间更新文档并澄清这一点。
有时，如果您已经在一个单独的数组中拥有每列的列数据，并且您希望从中构建一个表，并为表列提供一些特定的FITS属性，那么Column会很有用。但我已经重新设计了API的大部分内容，这样您就可以获得像Numpy数组这样的原生Python数据结构，并将它们保存到FITS文件中，而在许多情况下，不必担心FITS是如何实现的细节或像FITS数据格式代码这样令人讨厌的事情。
这项工作有点不完整，因为如果你想从一些列式数组中定义一个FITS表，你仍然需要使用Column类，并指定一个最小的FITS格式(但你永远不需要直接使用ColDefs)：
>>> hdu = fits.BinTableHDU.from_columns([fits.Column(name='target', format='20A', array=a1), fits.Column(name='V_mag', format='E', array=a2)])
>>> hdu.data
FITS_rec([('NGC1001', 11.1), ('NGC1002', 12.3), ('NGC1003', 15.2)],
dtype=(numpy.record, [('target', 'S20'), ('V_mag', '<f4')]))
然而，你也可以直接使用Numpy结构化数组，我个人通常觉得这更简单，因为它可以让你忽略大多数FITS主义，只关注你的数据，对于那些微调FITS特定内容并不重要的情况。例如，要为数据定义一个结构化数组，有几种方法可以实现，但您可以尝试：
>>> nrows = 3
>>> data = np.empty(nrows, dtype=[('target', 'S20'), ('V_mag', np.float32)])
>>> data['target'] = a1
>>> data['V_mag'] = a2
>>> data
array([('NGC1001', 11.100000381469727), ('NGC1002', 12.300000190734863),
('NGC1003', 15.199999809265137)],
dtype=[('target', 'S20'), ('V_mag', '<f4')])
然后你可以直接从这个数组实例化一个BinTableHDU：
>>> hdu = fits.BinTableHDU(data)
>>> hdu.data
FITS_rec([('NGC1001', 11.1), ('NGC1002', 12.3), ('NGC1003', 15.2)],
dtype=(numpy.record, [('target', 'S20'), ('V_mag', '<f4')]))
>>> hdu.header
XTENSION= 'BINTABLE' / binary table extension
BITPIX = 8 / array data type
NAXIS = 2 / number of array dimensions
NAXIS1 = 24 / length of dimension 1
NAXIS2 = 3 / length of dimension 2
PCOUNT = 0 / number of group parameters
GCOUNT = 1 / number of groups
TFIELDS = 2 / number of table fields
TTYPE1 = 'target '
TFORM1 = '20A '
TTYPE2 = 'V_mag '
TFORM2 = 'E '
同样，当涉及到屏蔽、切片和添加新列时，直接使用本地Numpy数据结构是最好的。
或者，正如其他问题的答案中所建议的那样，使用AstropyTableAPI，如果你能帮上忙的话，就不要搞低级别的FITS。因为正如我所讨论的，它包含了几层遗留接口，这些接口会让人感到困惑(长期的问题可能应该清理掉，但很难做到，因为以某种方式使用它们的代码是普遍的)。API表是从一开始就设计的，目的是使表操作(包括屏蔽行和添加列)相对容易。而旧的PyFITS API从未完全适用于许多简单的情况。
我希望这个答案是有启发性的——我知道它可能有点长，有点令人困惑。如果有什么具体的事情我可以澄清，请告诉我。