Базовый структурированный массив дает вам то, что может индексироваться одним именем:
In [276]: dt=np.dtype([('A',int),('B',int),('C',int)])
In [277]: x=np.arange(9).reshape(3,3).view(dtype=dt)
In [278]: x
Out[278]:
array([[(0, 1, 2)],
[(3, 4, 5)],
[(6, 7, 8)]],
dtype=[('A', '<i4'), ('B', '<i4'), ('C', '<i4')])
In [279]: x['B'] # index by field name
Out[279]:
array([[1],
[4],
[7]])
In [280]: x[1] # index by row (array element)
Out[280]:
array([(3, 4, 5)],
dtype=[('A', '<i4'), ('B', '<i4'), ('C', '<i4')])
In [281]: x['B'][1]
Out[281]: array([4])
In [282]: x.shape # could be reshaped to (3,)
Out[282]: (3, 1)
Подход к представлению создал массив 2d, но только с одним столбцом. Обычные столбцы заменяются полями dtype. Это 2d, но с завихрением. Используя view
, буфер данных не изменяется; dtype просто предоставляет другой способ доступа к этим «столбцам». dtype
Поля, технически, не являются измерениями. Они не регистрируются в массиве .shape
или .ndim
. Также вы не можете использовать x[0,'A']
.
recarray
делает то же самое, но добавляет возможность доступа к полям в качестве атрибутов, например. x.B
- это то же самое, что и у x['B']
.
rows
по-прежнему необходимо получить номер индекса.
Другой способ построения структурированного массива - это определенные значения в виде списка кортежей.
In [283]: x1 = np.arange(9).reshape(3,3)
In [284]: x2=np.array([tuple(i) for i in x1],dtype=dt)
In [285]: x2
Out[285]:
array([(0, 1, 2), (3, 4, 5), (6, 7, 8)],
dtype=[('A', '<i4'), ('B', '<i4'), ('C', '<i4')])
In [286]: x2.shape
Out[286]: (3,)
ones
, zeros
, empty
также построить основные структурированные массивы
In [287]: np.ones((3,),dtype=dt)
Out[287]:
array([(1, 1, 1), (1, 1, 1), (1, 1, 1)],
dtype=[('A', '<i4'), ('B', '<i4'), ('C', '<i4')])
Я могу построить массив, который индексируется с 2-мя именами полей, по гнездящихся dtypes:
In [294]: dt1=np.dtype([('D',int),('E',int),('F',int)])
In [295]: dt2=np.dtype([('A',dt1),('B',dt1),('C',dt1)])
In [296]: y=np.ones((),dtype=dt2)
In [297]: y
Out[297]:
array(((1, 1, 1), (1, 1, 1), (1, 1, 1)),
dtype=[('A', [('D', '<i4'), ('E', '<i4'), ('F', '<i4')]), ('B', [('D', '<i4'), ('E', '<i4'), ('F', '<i4')]), ('C', [('D', '<i4'), ('E', '<i4'), ('F', '<i4')])])
In [298]: y['A']['F']
Out[298]: array(1)
Но откровенно это довольно запутанно. Я даже не понял, как установить элементы в arange(9)
(без повторения имен полей).
Структурированные массивы чаще всего производятся путем чтения csv
файлов с np.genfromtxt
(или loadtxt
). Результатом является именованное поле для каждого помеченного столбца и пронумерованная «строка» для каждой строки в файле.
Вы можете использовать [pandas] (http: //pandas.pydata.org) – yangjie
@yangjie танки, 'pandas' выглядят обещаниями. Тем не менее, я должен передавать эти данные через интерфейсы MPI. «Numpy» будет хорошим решением, поскольку они быстрее и проще проходят через интерфейсы. – swot