Есть ли стандартный способ хранения данных XY в python?

Question

Есть ли способ способ хранения (x, y), (x, y, z) или (x, y, z, t) данных в python?

Я знаю, что многочисленные массивы часто используются для подобных вещей, но я полагаю, вы могли бы сделать это также с матрицами numpy.

Я видел использование 2 списков, застегнутых на молнию, на какой стороне все это делается при использовании numpy.

XY_data = zip([x for x in range(0,10)] , [y for y in range(0,10)]) 

Есть ли стандарт? Если нет, то какой у вас любимый способ, или тот, который вы видели больше всего?

Answer 1

Один прекрасный способ с structured array. Это дает все преимущества массивов numpy, но удобная структура доступа.

Все, что вам нужно сделать, чтобы ваш массив numpy был «структурированным», должен дать ему аргумент dtype. Это дает каждому «поле» имя и тип. Они могут даже иметь более сложные формы и иерархии, если вы хотите, но вот как я держу е-у данных:

In [175]: import numpy as np 

In [176]: x = np.random.random(10) 

In [177]: y = np.random.random(10) 

In [179]: zip(x,y) 
Out[179]: 
[(0.27432965895978034, 0.034808254176554643), 
(0.10231729328413885, 0.3311112896885462), 
(0.87724361175443311, 0.47852682944121905), 
(0.24291769332378499, 0.50691735432715967), 
(0.47583427680221879, 0.04048957803763753), 
(0.70710641602121627, 0.27331443495117813), 
(0.85878694702522784, 0.61993945461613498), 
(0.28840423235739054, 0.11954319357707233), 
(0.22084849730366296, 0.39880927226467255), 
(0.42915612628398903, 0.19197320645915561)] 

In [180]: data = np.array(zip(x,y), dtype=[('x',float),('y',float)]) 

In [181]: data['x'] 
Out[181]: 
array([ 0.27432966, 0.10231729, 0.87724361, 0.24291769, 0.47583428, 
     0.70710642, 0.85878695, 0.28840423, 0.2208485 , 0.42915613]) 

In [182]: data['y'] 
Out[182]: 
array([ 0.03480825, 0.33111129, 0.47852683, 0.50691735, 0.04048958, 
     0.27331443, 0.61993945, 0.11954319, 0.39880927, 0.19197321]) 

In [183]: data[0] 
Out[183]: (0.27432965895978034, 0.03480825417655464) 

Другие, вероятно, предполагают, используя pandas, но если ваши данные относительно простые, простой NumPy может быть проще.

Вы можете добавить иерархию, если хотите, но часто это сложнее, чем необходимо.

Например:

In [200]: t = np.arange(10) 

In [202]: dt = np.dtype([('t',int),('pos',[('x',float),('y',float)])]) 

In [203]: alldata = np.array(zip(t, zip(x,y)), dtype=dt) 

In [204]: alldata 
Out[204]: 
array([(0, (0.27432965895978034, 0.03480825417655464)), 
     (1, (0.10231729328413885, 0.3311112896885462)), 
     (2, (0.8772436117544331, 0.47852682944121905)), 
     (3, (0.242917693323785, 0.5069173543271597)), 
     (4, (0.4758342768022188, 0.04048957803763753)), 
     (5, (0.7071064160212163, 0.27331443495117813)), 
     (6, (0.8587869470252278, 0.619939454616135)), 
     (7, (0.28840423235739054, 0.11954319357707233)), 
     (8, (0.22084849730366296, 0.39880927226467255)), 
     (9, (0.429156126283989, 0.1919732064591556))], 
     dtype=[('t', '<i8'), ('pos', [('x', '<f8'), ('y', '<f8')])]) 

In [205]: alldata['t'] 
Out[205]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) 

In [206]: alldata['pos'] 
Out[206]: 
array([(0.27432965895978034, 0.03480825417655464), 
     (0.10231729328413885, 0.3311112896885462), 
     (0.8772436117544331, 0.47852682944121905), 
     (0.242917693323785, 0.5069173543271597), 
     (0.4758342768022188, 0.04048957803763753), 
     (0.7071064160212163, 0.27331443495117813), 
     (0.8587869470252278, 0.619939454616135), 
     (0.28840423235739054, 0.11954319357707233), 
     (0.22084849730366296, 0.39880927226467255), 
     (0.429156126283989, 0.1919732064591556)], 
     dtype=[('x', '<f8'), ('y', '<f8')]) 

In [207]: alldata['pos']['x'] 
Out[207]: 
array([ 0.27432966, 0.10231729, 0.87724361, 0.24291769, 0.47583428, 
     0.70710642, 0.85878695, 0.28840423, 0.2208485 , 0.42915613])