我想在我的实验室实验中尝试使用 SciPy 套件而不是 Octave 来进行统计。我的大部分问题都在这里得到了解答，剩下的只是另一件事：
我通常会在测量中附加一个错误，在 Octave 中我只是做了以下操作：
R.val = 10;
R.err = 0.1;
U.val = 4;
U.err = 0.1;
然后我会这样计算I：
I.val = U.val / R.val;
I.err = sqrt(
(1 / R.val * U.err)^2
+ (U.val / R.val^2 * R.err)^2
);
当我有一堆测量值时，我通常使用结构数组，如下所示：
R(0).val = 1;
R(0).err = 0.1;
…
R(15).val = 100;
R(15).err = 9;
然后我可以使用R(0).val或直接访问所有这些，例如R.val，我有一个包含所有值的列向量mean(R.val)。
我如何使用 SciPy/NumPy/Python 来表示这一点？
这种错误传播正是不确定性Python 包所做的。它通过正确处理相关性透明地做到这一点：
from uncertainties import ufloat
R = ufloat(10, 0.1)
U = ufloat(4, 0.1)
I = U/R
print I
0.4+/-0.0107703296143在自动确定并计算您在示例中手动键入的错误公式后打印。此外，I.n和I.s分别是标称值 (your val) 和标准偏差 (your err)。
也可以使用包含不确定数字的数组（http://pythonhosted.org/uncertainties/numpy_guide.html）。
（免责声明：我是这个包的作者。）
最简单的方法确实是使用 NumPy结构化数组，这使您可以定义由其他同类元素（字段）组成的同类元素（记录）的数组。
例如，您可以定义
R = np.empty(15, dtype=[('val',float),('err',float)])
然后填写相应的列：
R['val'] = ...
R['err'] = ...
或者，如果您的valanderr在两个列表中，您可以一次定义数组：
R = np.array(zip(val_list, err_list), dtype=[('val',float),('err',float)])
在这两种情况下，您都可以通过索引访问单个元素，例如R[0]（这会给您一个特定的对象 a np.void，它仍然可以让您单独访问字段），或者通过切片R[1:-1]...
使用您的示例，您可以执行以下操作：
I = np.empty_like(R)
I['val'] = U['val'] / R['val']
I['err'] = np.sqrt((1 / R['val'] * U['err'])**2 + (U['val'] / R['val']**2 * R['err'])**2)
您还可以使用记录数组，它是基本的结构化数组，其中__getattr__和__setattr__方法以这样的方式重载，您可以将字段作为属性（如 in R.val）和索引（如 standard R['val']）访问。当然，由于这些基本方法被重载，记录数组不如结构化数组高效。
对于一次测量，简单的命名元组可能就足够了。
而不是结构数组，您可以使用numpy 的记录数组。不过好像有点多嘴了。
此外，Matlab 用户的 NumPy 谷歌缓存（直接链接对我 atm 不起作用）可以帮助一些基本操作的对应物。