我有一个pandas数据框，其结构如下：
print raster_arr_df
60.25 60.50 60.75 61.00 61.25 61.50 61.75 62.00 62.25 62.50 ... 94.75 \
3.25 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
3.50 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
3.75 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
4.00 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
4.25 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
4.50 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
4.75 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
5.00 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
5.25 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
5.50 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
5.75 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
6.00 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
6.25 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
6.50 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
6.75 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
7.00 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
7.25 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
7.50 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
7.75 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
8.00 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
8.25 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
8.50 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
8.75 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
9.00 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
9.25 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
9.50 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
9.75 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
10.00 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
10.25 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
10.50 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
... ... ... ... ... ... ... ... ... ... ... ... ...
35.75 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
36.00 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
36.25 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
36.50 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
36.75 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
37.00 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
37.25 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
37.50 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
37.75 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
38.00 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
38.25 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
38.50 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
38.75 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
39.00 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
39.25 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
39.50 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
39.75 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
40.00 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
40.25 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
40.50 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
40.75 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
41.00 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
41.25 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
41.50 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
41.75 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
42.00 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
42.25 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
42.50 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
42.75 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
43.00 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN ... NaN
95.00 95.25 95.50 95.75 96.00 96.25 96.50 96.75 97.00
3.25 NaN NaN NaN NaN NaN NaN NaN NaN NaN
3.50 NaN NaN NaN NaN NaN NaN NaN NaN NaN
3.75 NaN NaN NaN NaN NaN NaN NaN NaN NaN
4.00 NaN NaN NaN NaN NaN NaN NaN NaN NaN
4.25 NaN NaN NaN NaN NaN NaN NaN NaN NaN
4.50 NaN NaN NaN NaN NaN NaN NaN NaN NaN
4.75 NaN NaN NaN NaN NaN NaN NaN NaN NaN
5.00 NaN NaN NaN NaN NaN NaN NaN NaN NaN
5.25 NaN NaN NaN NaN NaN NaN NaN NaN NaN
5.50 NaN NaN NaN NaN NaN NaN NaN NaN NaN
5.75 NaN NaN NaN NaN NaN NaN NaN NaN NaN
6.00 NaN NaN NaN NaN NaN NaN NaN NaN NaN
6.25 NaN NaN NaN NaN NaN NaN NaN NaN NaN
6.50 NaN NaN NaN NaN NaN NaN NaN NaN NaN
6.75 NaN NaN NaN NaN NaN NaN NaN NaN NaN
7.00 NaN NaN NaN NaN NaN NaN NaN NaN NaN
7.25 NaN NaN NaN NaN NaN NaN NaN NaN NaN
7.50 NaN NaN NaN NaN NaN NaN NaN NaN NaN
7.75 NaN NaN NaN NaN NaN NaN NaN NaN NaN
8.00 NaN NaN NaN NaN NaN NaN NaN NaN NaN
8.25 NaN NaN NaN NaN NaN NaN NaN NaN NaN
8.50 NaN NaN NaN NaN NaN NaN NaN NaN NaN
8.75 NaN NaN NaN NaN NaN NaN NaN NaN NaN
9.00 NaN NaN NaN NaN NaN NaN NaN NaN NaN
9.25 NaN NaN NaN NaN NaN NaN NaN NaN NaN
9.50 NaN NaN NaN NaN NaN NaN NaN NaN NaN
9.75 NaN NaN NaN NaN NaN NaN NaN NaN NaN
10.00 NaN NaN NaN NaN NaN NaN NaN NaN NaN
10.25 NaN NaN NaN NaN NaN NaN NaN NaN NaN
10.50 NaN NaN NaN NaN NaN NaN NaN NaN NaN
... ... ... ... ... ... ... ... ... ...
35.75 NaN NaN NaN NaN NaN NaN NaN NaN NaN
36.00 NaN NaN NaN NaN NaN NaN NaN NaN NaN
36.25 NaN NaN NaN NaN NaN NaN NaN NaN NaN
36.50 NaN NaN NaN NaN NaN NaN NaN NaN NaN
36.75 NaN NaN NaN NaN NaN NaN NaN NaN NaN
37.00 NaN NaN NaN NaN NaN NaN NaN NaN NaN
37.25 NaN NaN NaN NaN NaN NaN NaN NaN NaN
37.50 NaN NaN NaN NaN NaN NaN NaN NaN NaN
37.75 NaN NaN NaN NaN NaN NaN NaN NaN NaN
38.00 NaN NaN NaN NaN NaN NaN NaN NaN NaN
38.25 NaN NaN NaN NaN NaN NaN NaN NaN NaN
38.50 NaN NaN NaN NaN NaN NaN NaN NaN NaN
38.75 NaN NaN NaN NaN NaN NaN NaN NaN NaN
39.00 NaN NaN NaN NaN NaN NaN NaN NaN NaN
39.25 NaN NaN NaN NaN NaN NaN NaN NaN NaN
39.50 NaN NaN NaN NaN NaN NaN NaN NaN NaN
39.75 NaN NaN NaN NaN NaN NaN NaN NaN NaN
40.00 NaN NaN NaN NaN NaN NaN NaN NaN NaN
40.25 NaN NaN NaN NaN NaN NaN NaN NaN NaN
40.50 NaN NaN NaN NaN NaN NaN NaN NaN NaN
40.75 NaN NaN NaN NaN NaN NaN NaN NaN NaN
41.00 NaN NaN NaN NaN NaN NaN NaN NaN NaN
41.25 NaN NaN NaN NaN NaN NaN NaN NaN NaN
41.50 NaN NaN NaN NaN NaN NaN NaN NaN NaN
41.75 NaN NaN NaN NaN NaN NaN NaN NaN NaN
42.00 NaN NaN NaN NaN NaN NaN NaN NaN NaN
42.25 NaN NaN NaN NaN NaN NaN NaN NaN NaN
42.50 NaN NaN NaN NaN NaN NaN NaN NaN NaN
42.75 NaN NaN NaN NaN NaN NaN NaN NaN NaN
43.00 NaN NaN NaN NaN NaN NaN NaN NaN NaN
[160 rows x 148 columns]
我的numpy数组如下所示：
print raster_arr
[[ 0. 0. 0. ..., 0.64464766 0.78923023
0.90317035]
[ 0. 0. 0. ..., 1.39210367 2.56416273
1.28261185]
[ 0. 0. 0. ..., 0.63526356 0.66092908
1.5844413 ]
...,
[ 2.04395676 1.64457083 1.70771551 ..., 8.11063385 2.57144356
1.60219038]
[ 2.46784496 2.20636702 1.82298481 ..., 2.11637998 2.1444006
2.13336754]
[ 3.26898718 3.19584775 2.69124269 ..., 2.74416089 2.27447248
6.18890047]]
Process finished with exit code 0
我想使用dataframe中的define索引和列将numpy中的所有值复制到pandas数据帧中。
pandas数据帧和numpy数组的形状是相同的。
答案 0 :(得分：4)
您可以使用DataFrame构造函数，例如：pd.DataFrame(data=raster_arr, index=raster_arr_df.index, columns=raster_arr_df.columns)：
数据：numpy ndarray（结构化或同类），dict或DataFrame Dict可以包含Series，数组，常量或类似列表的对象
索引：索引或类似数组 用于结果框架的索引。如果没有索引信息部分输入数据且没有提供索引，则默认为np.arange（n）
列：索引或类似数组 用于生成框架的列标签。如果没有提供列标签，则默认为np.arange（n）
样品：
print raster_arr_df
a b c d
1 NaN NaN NaN NaN
2 NaN NaN NaN NaN
3 NaN NaN NaN NaN
print raster_arr
[[1 1 3 0]
[4 2 6 0]
[4 3 9 5]]
print pd.DataFrame(data=raster_arr, index=raster_arr_df.index, columns=raster_arr_df.columns)
a b c d
1 1 1 3 0
2 4 2 6 0
3 4 3 9 5
答案 1 :(得分：2)
pandas.DataFrame（＆lt; numpy array ＆gt ;, index = df.index，columns = df.columns，dtype = None， 复制=假）
其中： 数据是你的numpy数组， index是数据帧的行， 列是列。