我对这个问题简直要疯了,因为我显然没有捕获要点,而且解决方案太简单了,看不到:(
我有一个包含 x 列的 np.array,我想分配一个字段名称。这是我的代码:
data = np.array([[1,2,3], [4.0,5.0,6.0], [11,12,12.3]])
a = np.array(data, dtype= {'names': ['1st', '2nd', '3rd'], 'formats':['f8','f8', 'f8']})
print a['1st']
为什么会这样
[[ 1. 2. 3. ]
[ 4. 5. 6. ]
[ 11. 12. 12.3]]
而不是[1,2,3]
?
最佳答案
In [1]: data = np.array([[1,2,3], [4.0,5.0,6.0], [11,12,12.3]])
In [2]: dt = np.dtype({'names': ['1st', '2nd', '3rd'], 'formats':['f8','f8', 'f8']})
您的尝试:
In [3]: np.array(data,dt)
Out[3]:
array([[(1.0, 1.0, 1.0), (2.0, 2.0, 2.0), (3.0, 3.0, 3.0)],
[(4.0, 4.0, 4.0), (5.0, 5.0, 5.0), (6.0, 6.0, 6.0)],
[(11.0, 11.0, 11.0), (12.0, 12.0, 12.0), (12.3, 12.3, 12.3)]],
dtype=[('1st', '<f8'), ('2nd', '<f8'), ('3rd', '<f8')])
生成一个 (3,3) 数组,并为每个字段分配相同的值。 data.astype(dt)
做同样的事情。
但是 view
会生成一个 (3,1) 数组,其中每个字段都包含一列的数据。
In [4]: data.view(dt)
Out[4]:
array([[(1.0, 2.0, 3.0)],
[(4.0, 5.0, 6.0)],
[(11.0, 12.0, 12.3)]],
dtype=[('1st', '<f8'), ('2nd', '<f8'), ('3rd', '<f8')])
我应该注意,view
仅当所有字段的数据类型与原始字段相同时才有效。它使用相同的数据缓冲区,只是对值的解释不同。
您可以将结果从 (3,1) reshape 为 (3,)。
但是由于您希望 A['1st']
为 [1,2,3]
- 一行数据
- 我们必须做一些其他操作。
In [16]: data.T.copy().view(dt)
Out[16]:
array([[(1.0, 4.0, 11.0)],
[(2.0, 5.0, 12.0)],
[(3.0, 6.0, 12.3)]],
dtype=[('1st', '<f8'), ('2nd', '<f8'), ('3rd', '<f8')])
In [17]: _['1st']
Out[17]:
array([[ 1.],
[ 2.],
[ 3.]])
我转置,然后制作副本(重新排列底层数据缓冲区)。现在, View 将 [1,2,3]
放入一个字段中。
请注意,结构化数组的显示使用 ()
而不是 []
作为“行”。这是关于它如何接受输入的线索。
我可以将您的数据
转换为元组列表:
In [19]: [tuple(i) for i in data.T]
Out[19]: [(1.0, 4.0, 11.0), (2.0, 5.0, 12.0), (3.0, 6.0, 12.300000000000001)]
In [20]: np.array([tuple(i) for i in data.T],dt)
Out[20]:
array([(1.0, 4.0, 11.0), (2.0, 5.0, 12.0), (3.0, 6.0, 12.3)],
dtype=[('1st', '<f8'), ('2nd', '<f8'), ('3rd', '<f8')])
In [21]: _['1st']
Out[21]: array([ 1., 2., 3.])
这是一个包含 3 个字段的 (3,) 数组。
元组列表是向 np.array(...,dt) 提供数据的正常方式
。请参阅我的评论中的文档链接。
您还可以创建一个空数组,然后逐行或逐个字段填充它
In [26]: A=np.zeros((3,),dt)
In [27]: for i in range(3):
....: A[i]=data[:,i].copy()
如果没有copy
,我会得到一个ValueError:ndarray不是C连续的
逐个字段填写:
In [29]: for i in range(3):
....: A[dt.names[i]]=data[i,:]
通常结构化数组有很多行和几个字段。所以按字段填充还是比较快的。这就是 recarray
函数处理大多数复制任务的方式。
fromiter
也可以使用:
In [31]: np.fromiter(data, dtype=dt)
Out[31]:
array([(1.0, 2.0, 3.0), (4.0, 5.0, 6.0), (11.0, 12.0, 12.3)],
dtype=[('1st', '<f8'), ('2nd', '<f8'), ('3rd', '<f8')])
但是在没有副本的情况下使用 data.T
时出现的错误强烈表明正在执行逐行迭代(我的 In[27])
In [32]: np.fromiter(data.T, dtype=dt)
ValueError: ndarray is not C-contiguous
zip(*data)
是对输入数组重新排序的另一种方法(请参阅评论链接中的 @unutbu's
答案)。
np.fromiter(zip(*data),dtype=dt)
正如评论中指出的,fromarrays
有效:
np.rec.fromarrays(data,dt)
这是使用by field
复制方法的rec
函数的示例:
arrayList = [sb.asarray(x) for x in arrayList]
....
_array = recarray(shape, descr)
# populate the record array (makes a copy)
for i in range(len(arrayList)):
_array[_names[i]] = arrayList[i]
在我们的例子中是:
In [8]: data1 = [np.asarray(i) for i in data]
In [9]: data1
Out[9]: [array([ 1., 2., 3.]), array([ 4., 5., 6.]), array([ 11. , 12. , 12.3])]
In [10]: for i in range(3):
A[dt.names[i]] = data1[i]
关于python - 在 Python 2.7.3 中将字段名称分配给 numpy 数组,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/32474115/