『疑』python's Unhashable type and comprehensive list

大家好，最近在一小程序，思路是的：

有一堆，每包括其坐和好性字段，一下代有方式，原我不在站代：

方案一
== python code ==
ins = 1000 # 例的
dim = 100 # 坐的

import numpy as np

class attributes: # 的性容器
def __init__(self, ins):
self.TRE = np.empty(shape(ins, 1), dtype = str) # 真序列
self.PRD = np.empty(shape(ins, 1), dtype = str) # 估序列
self.ERR = np.empty(shape(ins, 1), dtype = bool) # 估序列
self.DSC = np.empty(shape(ins, 1), dtype = float) # 估值序列

class space: # 空容器
def __ init__(self, ins, dim):
self.mtx = np.array(shape = (ins, dim), dtype = float) # 坐矩
self.atb = attributes(ins) # 性容器

== python code ==
：性字段是的成量，不好查，如果要展，必承，而往後的代如果要用字段也要承原有的，然後字段操作的代。


方案二

== python code ==

class dot: #
def __init__(self):
# 在此定你的格式
self.cdt = (0,0) # 二坐
self.atb = {TRE: false, 'PRD': False, 'ERR': False} # 性

class space: # 空容器
def __init__(self, ins):
self.dataset = [dot() for each in range(ins)]

== python code ==
：定，而不是一序列行定。字典的成量方便了今後代的查和展，也不用新方法，可以查字段作。

但代效率不高，因：
方案一是定一序列，用的是 numpy 的 ndarray。後的操作基本也是一集，即於一序列的子集，了方便用 numpy 固有的操作 feature。

方案二更多的是用 python 自身的，而非 numpy。但不可兼得，因 字典法添加一序列子，因 ndarray 是 unhashable type，故只能方案二也就只能定。

後我注意到可以用 comprehensive list 表式。例如，如果我後集操作，其用一循把要操作的遍一，是可以用 numpy 的 feature，但要建一 numpy.ndarray 的例：
arr = np.ndarray([each.cdt for each in self.dateset])

代是美了，但我不知道的效率如何，有有方案一那直接定一序列然後直接其行操作快？

所以教大家方案我哪，是另有方式？

的有多，最近一 python 的疑惑。Thank you for reading。