Question

说我有这样的数据集

nx1, nx2, nx3 = 5, 3, 20

ds = xray.Dataset()
ds.coords.update({'x1': ('x1', range(nx1)), 
                  'x2': ('x2', range(nx2)), 
                  'x3': ('x3', range(nx3))})

ds['A'] = (['x1', 'x2', 'x3'], np.random.randn(nx1, nx2, nx3))
ds['B'] = (['x1', 'x2', 'x3'], np.random.randn(nx1, nx2, nx3))

和一个函数func，它作为输入变量A和B，但它沿着x3维度工作，只接受形状(nx3,)的数组，并输出一个形状数组(nx3,)。如果我想将此函数应用于上述数据集并将结果保存为名为C的新变量，则按照以下方式执行此操作，

required_shape = (len(ds.coords['x1']), 
                  len(ds.coords['x2']),
                  len(ds.coords['x3']))

if 'C' not in ds:
    ds.update({'C': (['x1', 'x2', 'x3'], np.zeros(required_shape))})

for ix1, x1 in enumerate(ds.coords['x1']):
    for ix2, x2 in enumerate(ds.coords['x2']):
        args = dict(x1=ix1, x2=ix2)
        a = ds['A'][args]
        b = ds['B'][args]
        c = func(a.values, b.values)
        ds['C'][args] = c

通过初始化数据集中的新数组并在其他维度上使用for循环？

Answer 1

我对熊猫不大，但对其他数据类型的一般解决方案也就是使用理解，并摆脱嵌套循环和初始化步骤。

required_shape = (len(ds.coords['x1']), 
                  len(ds.coords['x2']),
                  len(ds.coords['x3']))

ds['C'] = (['x1', 'x2', 'x3'], np.array([
    func(ds['A'][args].values, ds['B'][args].values)
    for ix1, x1 in enumerate(ds.coords['x1'])
    for ix2, x2 in enumerate(ds.coords['x2'])
    for args in (dict(x1=ix1, x2=ix2),)]).reshape(required_shape))

编辑：顺便说一下，

ds['C'] = func(ds['A'], ds['B'])

似乎工作正常，对于一个简单的函数，如：

def func(a, b):
    return a + b

如何沿一维应用函数并将结果保存为数据集中的新变量？

1 个答案: