我正在尝试将一个由（四面体）单元、它们的（三角形）面、边和节点组成的非结构化网格拟合到一个既直观又高效的Python数据结构中。数据结构需要能够回答的问题是"节点k的坐标是多少？"、"哪些边在单元格j中？"、"哪些单元格与面i相邻？"等等。
我的第一个猜测是像一样
nodes_coords = np.array(num_nodes, dtype=np.dtype((float,3)))
cells_dtype = np.dtype([('nodes', (int,4))])
cells = np.array(num_cells, dtype=cells_dtype)
等等。这样做的好处是，有一种非常直观的方法来获得小区节点关系，即
cells[4]['nodes']
将为您提供单元#4中的节点。
我现在可以看到这样做的一个缺点：阵列不可扩展。假设我稍后在运行时决定添加关于面和边的信息；如何在不移动数据的情况下向单元格数组中添加字段，即如何动态扩展数组的数据类型？
解决办法是创建单独的阵列，如
cells_nodes = ...
cells_faces = ...
cells_edges = ...
并在必要时填充。不过这似乎不太地道。例如，在需要节点、面和边的单元上循环，每次都需要压缩三个数组。
有用的建议，有人吗？
首先，我要说我并不是一个真正的傻瓜专家。我认为，虽然可能没有办法做到你所描述的，但这可能并不像你想象的那么大。
正如您所描述的，您希望添加字段，但希望避免移动数据。我认为这是不可能的。您的选择是：
-
也许您提前知道哪些网格需要额外的字段？如果是这样的话，你可以提前分配它们，并仔细编写算法，忽略它们不需要操作的字段，这样无论数组中存在哪些额外的字段，它们都可以使用。
-
只需对所有单元格使用相同的dtype，并在不使用字段时忽略它们。浪费一些内存，但很容易。如果可能，
-
当需要添加字段时，使用不同的数据类型重新定位。虽然这涉及到复制，但您这样做的频率是否足以使复制成本成为一个问题？复制numpy数组非常快，当然与Python在相同数据上的"for"循环相比。
-
正如您所建议的，为每个字段保留单独的简单数组。虽然这可能涉及到对基于Python的循环进行压缩，但这可能不是对它们执行的主要处理类型，是吗？如果在Python
for循环中主要在numpy数组上循环，那么您可能不会从numpy中获得太多好处。