在 Python 2.7.3 中将字段名称分配给 numpy 数组

Question

我对这个很抓狂，因为我显然错过了重点，而且解决方案太简单了，看不懂:(

我有一个包含 x 列的 np.array，我想指定一个字段名称。所以这是我的代码：

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']

为什么这样

[[  1.    2.    3. ]
 [  4.    5.    6. ]
 [ 11.   12.   12.3]]

而不是[1, 2, 3]？

Answer 1

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']})

你的尝试：

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，每个字段都分配有相同的值。 data.astype(dt) 做同样的事情。

但 view 生成一个 (3,1) 数组，其中每个字段包含一列的数据。

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')])

我要提醒的是，view 只有在所有字段都具有与原始字段相同的数据类型时才有效。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) 重塑为 (3,)。

但是由于您希望 A['1st'] 成为 [1,2,3] - 一行 data - 我们必须进行一些其他操作。

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，然后复制（重新排列底层数据缓冲区）。现在一个视图将 [1,2,3] 放在一个字段中。

请注意，结构化数组的显示使用 () 而不是 'rows' 的 []。这是关于它如何接受输入的线索。

我可以将你的 data 变成元组列表：

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。 请参阅我评论中的文档 link。

您也可以创建一个空数组，然后逐行或逐字段填充它

In [26]: A=np.zeros((3,),dt)
In [27]: for i in range(3):
   ....:     A[i]=data[:,i].copy()

没有 copy 我得到一个 ValueError: ndarray is not C-contiguous

按字段填写：

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也可以这样用：

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')])

但是我在没有副本的情况下使用 data.T 时得到的错误强烈表明正在进行逐行迭代（我的 In[27]）

In [32]: np.fromiter(data.T, dtype=dt)
  ValueError: ndarray is not C-contiguous

zip(*data) 是另一种对输入数组重新排序的方法（请参阅评论 link 中的 @unutbu's 回答）。

np.fromiter(zip(*data),dtype=dt)

正如评论中指出的那样，fromarrays 有效：

np.rec.fromarrays(data,dt)

这是使用 by field 复制方法的 rec 函数示例：

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]

在 Python 2.7.3 中将字段名称分配给 numpy 数组

Assigning field names to numpy array in Python 2.7.3

python

arrays

python-2.7

numpy

user-defined-types