Question

我试图从文本文件中读取格式（'x'，'y'，'value'）的Nx3数据中的局部最大值和计数值; 'x'和'y'形成一个均匀间隔的网格，'x'，'y'的每个组合都有单一值，它看起来像这样：

  3.0, -0.4, 56.94369888305664        
  3.0, -0.3, 56.97200012207031        
  3.0, -0.2, 56.77149963378906        
  3.0, -0.1, 56.41230010986328        
  3.0,  0,   55.8302001953125       
  3.0,  0.1, 55.81560134887695        
  3.0,  0.2, 55.600399017333984        
  3.0,  0.3, 55.51969909667969        
  3.0,  0.4, 55.18550109863281         
  3.2, -0.4, 56.26380157470703 
  3.2, -0.3, 56.228599548339844
  ...

问题在于我尝试使用的图像代码（link）要求数据采用不同的2d矩阵格式进行图像处理。这是代码的相关部分：

# Construct some test data
x, y = np.ogrid[-np.pi:np.pi:100j, -np.pi:np.pi:100j]
r = np.sin(np.exp((np.sin(x)**3 + np.cos(y)**2)))

# Find contours at a constant value of 0.8
contours = measure.find_contours(r, 0.8)

有人可以帮助将我的数据转换为所需的“格式”格式吗？

编辑：我最终选择了大熊猫，但在一般情况下我发现所选答案更好。这就是我所做的：

from pandas import read_csv
data=read_csv(filename, names=['x','y','values']).pivot(index='x', columns='y',
              values='values')

此data.values将表格保存为2d'图像形式'，就像我想要的那样。

y   -0.4        -0.3        -0.2        -0.1
x               
3.0  86.9423     87.6398     87.5256     89.5779
3.2  76.9414     77.7743     78.8633     76.8955
3.4  71.4146     72.8257     71.7210     71.5232

Answer 1

最佳解决方案实际上取决于您不给予的细节。顺便说一下，你应该真的给你的代码，或者至少是np.loadtxt指令。在下文中，“data”是使用以下文件从文件加载的数组：

data = np.loadtxt('file.txt', [('x',float), ('y',float), ('value',float)])

1）直接重塑：

关注@ tom10所说的
如果您知道您的（x，y，value）数据按特定顺序存储：

[(x0,y0,v00), (x0,y1,v01), .... , (x1,y0,v10),(x1,y1,v11), ... ,(xN,yM,vNM)]

并且给出了所有（x，y）对的值。那么最好是从你的值列表中创建一维numpy数组并重新整形：

x = np.unique(data['x'])
y = np.unique(data['y'])
r = data['value'].reshape((x.size,y.size))

2）一般情况：

请参阅Populate arrays in python (numpy)?了解类似问题和使用词典的其他解决方案

如果您不能保证除了（x，y，value）元组之外的任何其他内容：

# indexing: list of x and y coordinates, and functions that map them to index
x  = np.unique(data['x']).tolist()
y  = np.unique(data['y']).tolist()
ix = np.vectorize(lambda i: x.index(i), otypes='i')
iy = np.vectorize(lambda j: y.index(j), otypes='i')

# create output array
r  = np.zeros((x.size,y.size), float)   # default value is 0
r[ix(data['x']), iy(data['y'])] = data['value']

注意：在上面给出的参考中，给出了使用字典的其他方法。我认为这更具可读性，但我没有测试它们的相对速度。

3）中级病例？

您可能有一个中间案例，在按特定顺序给出的常规网格坐标之间，根本没有约束。一般情况可能非常慢，您应该设计算法以利用数据遵循的任何规则。

一个例子是，如果您知道x-y索引遵循特定规则，但不一定按顺序给出。例如，如果您知道x和y是等间距的“网格”坐标，则格式为：

coordinate = min_coordinate + i*step

然后找到 min_coordinate 和步骤（对于x和y），并通过求解此等式找到 i 。这样，您就可以避免昂贵的索引映射 np.vectorized（... list.index（...））：

x  = np.unique(data['x'])
y  = np.unique(data['y'])
ix = (data['x']-x.min())/(x[1]-x[0])
iy = (data['y']-y.min())/(y[1]-y[0])

# create output array
r  = np.ones((x.size,y.size), float)*np.nan   # default value is NaN
r[ix.astype(int), iy.astype(int)] = data['value']

Answer 2

对于您正在使用的程序，您只需要将数据设置为z值的矩形数组（在示例中，它们只是使用x和y来构造z，但之后再也不使用它们）。看起来你的数组是9乘N（其中N是你没有显示的东西）。一个简单的方法就是将数据作为z值的平面集合读取，跳过x，y值reshape来设置你想要的形状。（我无法真正为此编写代码，因为您没有提供足够的信息，但这应该不难。）

Nx3列数据以2d矩阵进行图像处理

2 个答案:

1）直接重塑：

2）一般情况：

3）中级病例？