将numpy数组与公共维度“合并”[重复]
我有两个矩阵，对应于数据点（x，y1）和（x，y2）：
x | y1
------------
0 | 0
1 | 1
2 | 2
3 | 3
4 | 4
5 | 5
x | y2
----------------
0.5 | 0.5
1.5 | 1.5
2.5 | 2.5
3.5 | 3.5
4.5 | 4.5
5.5 | 5.5
我想创建一个新的矩阵，将x值组合成一列，并在相应的y1，y2列中包含NaNs：
x | y1 | y2
-----------------------------
0 | 0 | NaN
0.5 | NaN | 0.5
1 | 0 | NaN
1.5 | NaN | 1.5
... | ... | ...
5 | 5 | NaN
5.5 | NaN | 5.5
有没有一个简单的方法可以做到这一点？我是Python和NumPy的新手（来自MATLAB），我甚至不知道如何从这开始。（作为参考，我在MATLAB中的方法是简单地使用一个outerjoin，与使用array2table生成的两个表相对应）
共有3个答案
下面是一个使用plainnumpy的尝试。它创建了一个包含3列的矩阵，行数与a1 a2相同。它在列中写入a1和a2，并按行的第一个值对行进行排序。
请注意，只有当x值不相交时，它才起作用：
import numpy as np
x = np.arange(6)
# array([0, 1, 2, 3, 4, 5])
a1 = np.vstack((x,x)).T
# array([[0, 0],
# [1, 1],
# [2, 2],
# [3, 3],
# [4, 4],
# [5, 5]])
a2 = a1 + 0.5
# array([[ 0.5, 0.5],
# [ 1.5, 1.5],
# [ 2.5, 2.5],
# [ 3.5, 3.5],
# [ 4.5, 4.5],
# [ 5.5, 5.5]])
m = np.empty((12, 3))
m[:] = np.nan
# array([[ nan, nan, nan],
# [ nan, nan, nan],
# [ nan, nan, nan],
# [ nan, nan, nan],
# [ nan, nan, nan],
# [ nan, nan, nan],
# [ nan, nan, nan],
# [ nan, nan, nan],
# [ nan, nan, nan],
# [ nan, nan, nan],
# [ nan, nan, nan],
# [ nan, nan, nan]])
m[:6, :2] = a1
# array([[ 0., 0., nan],
# [ 1., 1., nan],
# [ 2., 2., nan],
# [ 3., 3., nan],
# [ 4., 4., nan],
# [ 5., 5., nan],
# [ nan, nan, nan],
# [ nan, nan, nan],
# [ nan, nan, nan],
# [ nan, nan, nan],
# [ nan, nan, nan],
# [ nan, nan, nan]])
m[6:, ::2] = a2
# array([[ 0. , 0. , nan],
# [ 1. , 1. , nan],
# [ 2. , 2. , nan],
# [ 3. , 3. , nan],
# [ 4. , 4. , nan],
# [ 5. , 5. , nan],
# [ 0.5, nan, 0.5],
# [ 1.5, nan, 1.5],
# [ 2.5, nan, 2.5],
# [ 3.5, nan, 3.5],
# [ 4.5, nan, 4.5],
# [ 5.5, nan, 5.5]])
m[m[:,0].argsort()]
# array([[ 0. , 0. , nan],
# [ 0.5, nan, 0.5],
# [ 1. , 1. , nan],
# [ 1.5, nan, 1.5],
# [ 2. , 2. , nan],
# [ 2.5, nan, 2.5],
# [ 3. , 3. , nan],
# [ 3.5, nan, 3.5],
# [ 4. , 4. , nan],
# [ 4.5, nan, 4.5],
# [ 5. , 5. , nan],
# [ 5.5, nan, 5.5]])
使用熊猫是这里的正确方法。
结构化阵列方法（不完整）：
输入一个特殊的函数库：
In [441]: import numpy.lib.recfunctions as rf
定义两个结构化数组
In [442]: A = np.zeros((6,),[('x',int),('y',int)])
哎呀，B中的'x键是浮动的，因此为了保持一致性，让我们将A`one也设为浮动的。不要不必要地混合浮点和整数。
In [446]: A = np.zeros((6,),[('x',float),('y',int)])
In [447]: A['x']=np.arange(6)
In [448]: A['y']=np.arange(6)
In [449]: A
Out[449]:
array([( 0., 0), ( 1., 1), ( 2., 2), ( 3., 3), ( 4., 4), ( 5., 5)],
dtype=[('x', '<f8'), ('y', '<i4')])
In [450]: B = np.zeros((6,),[('x',float),('z',float)])
In [451]: B['x']=np.linspace(.5,5.5,6)
In [452]: B['z']=np.linspace(.5,5.5,6)
In [453]: B
Out[453]:
array([( 0.5, 0.5), ( 1.5, 1.5), ( 2.5, 2.5), ( 3.5, 3.5),
( 4.5, 4.5), ( 5.5, 5.5)],
dtype=[('x', '<f8'), ('z', '<f8')])
查看rf.join_by函数的文档：
In [454]: rf.join_by?
做一个外部连接：
In [457]: rf.join_by('x',A,B,'outer')
Out[457]:
masked_array(data = [(0.0, 0, --) (0.5, --, 0.5) (1.0, 1, --) (1.5, --, 1.5) (2.0, 2, --)
(2.5, --, 2.5) (3.0, 3, --) (3.5, --, 3.5) (4.0, 4, --) (4.5, --, 4.5)
(5.0, 5, --) (5.5, --, 5.5)],
mask = [(False, False, True) (False, True, False) (False, False, True)
(False, True, False) (False, False, True) (False, True, False)
(False, False, True) (False, True, False) (False, False, True)
(False, True, False) (False, False, True) (False, True, False)],
fill_value = ( 1.00000000e+20, 999999, 1.00000000e+20),
dtype = [('x', '<f8'), ('y', '<i4'), ('z', '<f8')])
结果是一个屏蔽数组，其中缺少的值被屏蔽。
同样的事情，但在禁用遮罩的情况下：
In [460]: rf.join_by('x',A,B,'outer',usemask=False)
Out[460]:
array([( 0. , 0, 1.00000000e+20), ( 0.5, 999999, 5.00000000e-01),
( 1. , 1, 1.00000000e+20), ( 1.5, 999999, 1.50000000e+00),
( 2. , 2, 1.00000000e+20), ( 2.5, 999999, 2.50000000e+00),
( 3. , 3, 1.00000000e+20), ( 3.5, 999999, 3.50000000e+00),
( 4. , 4, 1.00000000e+20), ( 4.5, 999999, 4.50000000e+00),
( 5. , 5, 1.00000000e+20), ( 5.5, 999999, 5.50000000e+00)],
dtype=[('x', '<f8'), ('y', '<i4'), ('z', '<f8')])
现在我们显式地看到填充值。一定有办法用np.nan替换1e20。将999999替换为nan更混乱，因为np.nan是浮点值，而不是整数。
在封面下，这个join_by可能首先创建一个空白数组，其中包含连接dtype，并逐个填充字段。
如果您可以将数据加载到单独的熊猫数据帧中，这就变得简单了。
df
x y1
0 0 0
1 1 1
2 2 2
3 3 3
4 4 4
5 5 5
df2
x y2
0 0.5 0.5
1 1.5 1.5
2 2.5 2.5
3 3.5 3.5
4 4.5 4.5
5 5.5 5.5
执行外部合并，并对x列进行排序。
df = df.merge(df2, how='outer').sort_values('x')
df
x y1 y2
0 0 0 NaN
6 0.5 NaN 0.5
1 1 1 NaN
7 1.5 NaN 1.5
2 2 2 NaN
8 2.5 NaN 2.5
3 3 3 NaN
9 3.5 NaN 3.5
4 4 4 NaN
10 4.5 NaN 4.5
5 5 5 NaN
11 5.5 NaN 5.5
如果您想要一个数组，请在结果上调用。
df.values
array([[0.0, 0.0, nan],
[0.5, nan, 0.5],
[1.0, 1.0, nan],
[1.5, nan, 1.5],
[2.0, 2.0, nan],
[2.5, nan, 2.5],
[3.0, 3.0, nan],
[3.5, nan, 3.5],
[4.0, 4.0, nan],
[4.5, nan, 4.5],
[5.0, 5.0, nan],
[5.5, nan, 5.5]], dtype=object)
-
所以我有了公共类，然后。我在教程中找到的第二个方法是，整个位置跟踪过程都发生在这里，但据我所知，我需要包括和方法才能使其工作。问题是；我怎么把这两个放在一起？
-
我有三个数据帧。它们都有一个公共列，我需要基于公共列合并它们，而不丢失任何数据 输入 预期输出
-
下面的代码演示了一个非常奇怪的错误。一旦"源"文件被关闭"目标"文件不能被保存和关闭，它将抛出"java.io.IOExc0019： COSStream已被关闭，无法读取。也许它的附加文件已经关闭了？" 如果我们注释掉保存源文件，那么目标文件将正确保存并关闭。这似乎清楚地表明源文件包含一个同样存在于目标文件中的costream对象。当我们关闭源文件时，源文件costream似乎被关闭，然后目标文件
-
问题内容： 我想通过指定2D数组中的列数将一维数组转换为二维数组。可能会像这样工作： numpy是否具有与我的虚构函数“ vec2matrix”相似的功能？（我知道您可以像2D数组一样索引1D数组，但这不是我拥有的代码中的选项- 我需要进行此转换。） 问题答案： 您要阵列。 其中，根据输入数组的大小推断新维的大小。
-
我有一个数组： 我想将具有相同“ID”的对象组合成数组中的相同对象。它们的共同密钥也应该组合在一起（例如:'名字'、'电子邮件')。有人能建议做这件事的最好方法吗？使用ES6或Lodash
-
我有一个3d numpy数组的形状，我想得到第三维的argmax（从元素中），但我无法完成。例如，假设数组如下所示（此示例不遵循我在代码中使用的形状）： 我想得到一个形状数组（150,9,1）（这也是我的情况，与示例无关）。例如，它将是： 当我用0轴和1轴尝试时，我得到了错误的结果。 有没有办法直接计算出来，或者我应该使用for循环遍历每个（9,5）？