Wie, um wieder eine Ansicht von mehreren Spalten in numpy strukturierte array

Kann ich mehrere Spalten (fields) auf einmal in einem numpy strukturierten Arrays durch Indizierung mit einer Liste der Feldnamen, beispielsweise

import numpy as np

a = np.array([(1.5, 2.5, (1.0,2.0)), (3.,4.,(4.,5.)), (1.,3.,(2.,6.))],
        dtype=[('x',float), ('y',float), ('value',float,(2,2))])

print a[['x','y']]
#[(1.5, 2.5) (3.0, 4.0) (1.0, 3.0)]

print a[['x','y']].dtype
#[('x', '<f4') ('y', '<f4')])

Aber das problem ist, dass es scheint zu sein, eine Kopie, eher als einen Blick:

b = a[['x','y']]
b[0] = (9.,9.)

print b
#[(9.0, 9.0) (3.0, 4.0) (1.0, 3.0)]

print a[['x','y']]
#[(1.5, 2.5) (3.0, 4.0) (1.0, 3.0)]

Wenn ich nur eine Spalte, es ist eine Ansicht:

c = x['y']
c[0] = 99.

print c
#[ 99.  4.   3. ]

print a['y']
#[ 99.  4.   3. ]

Gibt es eine Möglichkeit, ich kann mit der Ansicht Verhalten für mehr als eine Spalte auf einmal?

Habe ich zwei workarounds, man ist einfach in einer Schleife durch die Spalten, der andere ist das erstellen einer hierarchischen dtype, so dass die eine Spalte, die tatsächlich gibt, ein strukturiertes array mit den zwei (oder mehr) Felder, die ich will. Leider zip gibt auch eine Kopie, so kann ich das nicht:

x = a['x']; y = a['y']
z = zip(x,y)
z[0] = (9.,9.)

InformationsquelleAutor askewchan | 2013-03-03

31

Können Sie erstellen, dtype-Objekt enthält nur die Felder, die Sie möchten, und verwenden Sie numpy.ndarray() so erstellen Sie eine Ansicht des original-array:
```
import numpy as np
strc = np.zeros(3, dtype=[('x', int), ('y', float), ('z', int), ('t', "i8")])

def fields_view(arr, fields):
    dtype2 = np.dtype({name:arr.dtype.fields[name] for name in fields})
    return np.ndarray(arr.shape, dtype2, arr, 0, arr.strides)

v1 = fields_view(strc, ["x", "z"])
v1[0] = 10, 100

v2 = fields_view(strc, ["y", "z"])
v2[1:] = [(3.14, 7)]

v3 = fields_view(strc, ["x", "t"])

v3[1:] = [(1000, 2**16)]

print(strc)
```
hier ist die Ausgabe:
```
[(10, 0.0, 100, 0L) (1000, 3.14, 7, 65536L) (1000, 3.14, 7, 65536L)]
```
- Ooh, das ist schön, funktioniert für nicht-zusammenhängende (oder in sehr unregelmäßigen Abständen) Felder.
- Das ist großartig! Wie hat es nur 1 upvote?
- Neue Antwort auf eine alte Frage, @andy, nicht viel Aufmerksamkeit erhalten, dass die Weg 😛
- Dieser schlägt fehl, wenn das array alle Spalten nicht unterstützt memoryview wie datetime64. Siehe github.com/numpy/numpy/issues/4983 für details.
- Das Ergebnis ist nicht ein numpy-array mehr, sondern ein dict und nicht nutzbar, mit vielen numpy Funktionen wie broadcasting.
InformationsquelleAutor HYRY
9

Gebäude auf @HYRY Antwort, könnten Sie auch ndarray's Methode getfield:
```
def fields_view(array, fields):
    return array.getfield(numpy.dtype(
        {name: array.dtype.fields[name] for name in fields}
    ))
```
- Schön, wie haben wir das übersehen? Scheint sauberer und sicherer zu vermeiden, durch die Daten und Fortschritte. getfield scheint nicht zu sein ein neue Methode, obwohl ich es noch nie zuvor gesehen.
- Das Ergebnis ist nicht ein numpy-array mehr, sondern ein dict und nicht nutzbar, mit vielen numpy Funktionen wie broadcasting.
InformationsquelleAutor ChristopherC

Ich glaube nicht, dass es einen einfachen Weg, das zu erreichen, was Sie wollen. Im Allgemeinen, Sie können eine beliebige Ansicht in ein array. Versuchen Sie Folgendes:

>>> a
array([(1.5, 2.5, [[1.0, 2.0], [1.0, 2.0]]),
       (3.0, 4.0, [[4.0, 5.0], [4.0, 5.0]]),
       (1.0, 3.0, [[2.0, 6.0], [2.0, 6.0]])], 
      dtype=[('x', '<f8'), ('y', '<f8'), ('value', '<f8', (2, 2))])
>>> a.view(float)
array([ 1.5,  2.5,  1. ,  2. ,  1. ,  2. ,  3. ,  4. ,  4. ,  5. ,  4. ,
        5. ,  1. ,  3. ,  2. ,  6. ,  2. ,  6. ])

Float Ansicht Ihrer Datensatz-array zeigt, wie Sie die tatsächlichen Daten, die im Arbeitsspeicher gespeichert wird. Ein Blick in diese Daten zu ausdrückbar ist als eine Kombination aus einer Form, Fortschritte und offset in der oben genannten Daten. Also, wenn Sie wollten, zum Beispiel, einen Blick auf 'x' und 'y' nur, können Sie das folgende tun:

>>> from numpy.lib.stride_tricks import as_strided
>>> b = as_strided(a.view(float), shape=a.shape + (2,),
                   strides=a.strides + a.view(float).strides)
>>> b
array([[ 1.5,  2.5],
       [ 3. ,  4. ],
       [ 1. ,  3. ]])

Den as_strided macht das gleiche wie das vielleicht einfacher zu verstehen:

>>> bb = a.view(float).reshape(a.shape + (-1,))[:, :2]
>>> bb
array([[ 1.5,  2.5],
       [ 3. ,  4. ],
       [ 1. ,  3. ]])

Entweder ist ein Blick in a:

>>> b[0,0] =0
>>> a
array([(0.0, 2.5, [[0.0, 2.0], [1.0, 2.0]]),
       (3.0, 4.0, [[4.0, 5.0], [4.0, 5.0]]),
       (1.0, 3.0, [[2.0, 6.0], [2.0, 6.0]])], 
      dtype=[('x', '<f8'), ('y', '<f8'), ('value', '<f8', (2, 2))])
>>> bb[2, 1] = 0
>>> a
array([(0.0, 2.5, [[0.0, 2.0], [1.0, 2.0]]),
       (3.0, 4.0, [[4.0, 5.0], [4.0, 5.0]]),
       (1.0, 0.0, [[2.0, 6.0], [2.0, 6.0]])], 
      dtype=[('x', '<f8'), ('y', '<f8'), ('value', '<f8', (2, 2))])

Wäre es schön, wenn entweder dieser könnte umgewandelt werden in ein Datensatz-array, aber numpy weigert dies zu tun, ist der Grund nicht ganz klar ist für mich:

>>> b.view([('x',float), ('y',float)])
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
ValueError: new type not compatible with array.

Natürlich, was funktioniert (Art) für 'x' und 'y' würde nicht funktionieren, zum Beispiel für 'x' und 'value', so dass im Allgemeinen die Antwort ist: es kann nicht getan werden.

InformationsquelleAutor Jaime

2

Als der Numpy-version 1.13, die code, den Sie vorschlagen wird eine Ansicht zurückgeben. Siehe 'NumPy 1.12.0-Release Notes - ->Zukünftige Änderungen->Mehrere Feld-manipulation von strukturierten arrays auf diese Seite:

https://docs.scipy.org/doc/numpy-dev/release.html
- Nur in numpy 1.16 wurde diese Funktion implementiert
InformationsquelleAutor Anders Lindstrom

Schreibe einen Kommentar

Du musst angemeldet sein, um einen Kommentar abzugeben.