如何存储 X-Y 数据以便使用 Numpy 中的函数？
How to store X-Y data in order to use the functions in Numpy?
Numpy 和 Scipy 都有许多有用的函数用于对数据执行操作（即积分、傅里叶变换、基线校正等）。但是，我还没有看到有关将 X-Y 数据输入这些函数的一般形式的文档。假设我有波长和吸光度值的光谱，或者来自机械性能测试的应力和应变数据。
一般做一个：
使用两个一维 Numpy 数组，一个用于 X，一个用于 Y？
使用一个二维 Numpy 数组，X 在一个轴上，Y 在另一个轴上？
使用单个 structured array?
当您有 XY-Z 数据时，这有何变化？
XY 数据最通用的数据结构是什么，它允许我将我的数据直接输入到 大多数 这些函数中而无需重新定义我的数据存储方式？
检查每个包和操作 class 或功能的文档。 scipy 是包的集合，由不同的人编写，并且通常为更旧的 Fortran 或 C 包提供接口。所以输入格式受这些来源的限制。而且他们还取决于什么适合解决问题。
通常在规则网格上生成值很方便。例如，使用 np.meshgrid 或 np.mgrid 和 arange 或 linspace 值来定义 2d space。结果可以是 3 个二维数组 - x 和 y 值，以及作为这些值的函数的 z。
但现实世界的数据通常以散点形式提供。然后每个点都是 x、y 位置和 z 值。您不能将它们转换为二维数组，至少在没有插值的情况下不能。所以三个一维数组是合适的表示。或 (n, 3) 矩阵，每个变量一列。或者，如果值具有不同的 dtype - 假设 x 和 y 为整数，z 为浮点数，然后是具有 3 个字段的结构化数组。
通常从 csv 文件加载数据 - 代表这些 x,y,z 值的列，可能带有字符串标签和多个 z 值。对于混合数据类型，它们通常加载 genfromtxt，从而产生一维结构化数组。
从结构化数组映射到具有统一 dtype 的多个数组很容易。有时您只需使用字段名称进行索引即可，其他情况下可能需要 view.
要深入研究这一点，您可能需要扩展数据类型以及您需要使用的包。
http://docs.scipy.org/doc/scipy/reference/generated/scipy.interpolate.griddata.html#scipy.interpolate.griddata。 interpolate.griddata 说明了点数据和网格数据的使用。
虽然这不是您问题的答案，但要知道，如果您只使用两个或三个维度，您可以轻松地从一种标准切换到另一种标准，这要归功于
XYZ = np.column_stack((X, Y, Z)) 和 X, Y, Z = XYZ.tranpose().
通常，与您的其他数据分析相比，它们都是相当便宜的操作。
Numpy 和 Scipy 都有许多有用的函数用于对数据执行操作（即积分、傅里叶变换、基线校正等）。但是，我还没有看到有关将 X-Y 数据输入这些函数的一般形式的文档。假设我有波长和吸光度值的光谱，或者来自机械性能测试的应力和应变数据。
一般做一个：
使用两个一维 Numpy 数组，一个用于 X，一个用于 Y？
使用一个二维 Numpy 数组，X 在一个轴上，Y 在另一个轴上？
使用单个 structured array?
当您有 XY-Z 数据时，这有何变化？
XY 数据最通用的数据结构是什么，它允许我将我的数据直接输入到 大多数 这些函数中而无需重新定义我的数据存储方式？
检查每个包和操作 class 或功能的文档。 scipy 是包的集合，由不同的人编写，并且通常为更旧的 Fortran 或 C 包提供接口。所以输入格式受这些来源的限制。而且他们还取决于什么适合解决问题。
通常在规则网格上生成值很方便。例如，使用 np.meshgrid 或 np.mgrid 和 arange 或 linspace 值来定义 2d space。结果可以是 3 个二维数组 - x 和 y 值，以及作为这些值的函数的 z。
但现实世界的数据通常以散点形式提供。然后每个点都是 x、y 位置和 z 值。您不能将它们转换为二维数组，至少在没有插值的情况下不能。所以三个一维数组是合适的表示。或 (n, 3) 矩阵，每个变量一列。或者，如果值具有不同的 dtype - 假设 x 和 y 为整数，z 为浮点数，然后是具有 3 个字段的结构化数组。
通常从 csv 文件加载数据 - 代表这些 x,y,z 值的列，可能带有字符串标签和多个 z 值。对于混合数据类型，它们通常加载 genfromtxt，从而产生一维结构化数组。
从结构化数组映射到具有统一 dtype 的多个数组很容易。有时您只需使用字段名称进行索引即可，其他情况下可能需要 view.
要深入研究这一点，您可能需要扩展数据类型以及您需要使用的包。
http://docs.scipy.org/doc/scipy/reference/generated/scipy.interpolate.griddata.html#scipy.interpolate.griddata。 interpolate.griddata 说明了点数据和网格数据的使用。
虽然这不是您问题的答案，但要知道，如果您只使用两个或三个维度，您可以轻松地从一种标准切换到另一种标准，这要归功于
XYZ = np.column_stack((X, Y, Z)) 和 X, Y, Z = XYZ.tranpose().
通常，与您的其他数据分析相比，它们都是相当便宜的操作。