Question

我有一个numpy数组，我想用python ggplot's tile打印。为此，我需要一个包含x，y，value列的DataFrame。如何将numpy数组有效地转换为这样的DataFrame。请考虑一下，我想要的数据形式是稀疏样式，但我想要一个常规的DataFrame。我尝试使用像Convert sparse matrix (csc_matrix) to pandas dataframe这样的scipy稀疏数据结构，但是转换太慢而且内存耗尽：我的内存已用完了。

澄清我想要的东西：

我从像

这样的numpy数组开始

array([[ 1,  3,  7],
       [ 4,  9,  8]])

我希望最终得到DataFrame

     x    y    value
0    0    0    1
1    0    1    3
2    0    2    7
3    1    0    4
4    1    1    9
5    1    2    8

Answer 1

arr = np.array([[1, 3, 7],
                [4, 9, 8]])

df = pd.DataFrame(np.hstack((np.indices(arr.shape).reshape(2, arr.size).T,\
                    arr.reshape(-1, 1))), columns=['x', 'y', 'value'])
print(df)

   x  y  value
0  0  0      1
1  0  1      3
2  0  2      7
3  1  0      4
4  1  1      9
5  1  2      8

您也可以考虑使用this答案中使用的函数，作为上述解决方案中np.indices的加速：

def indices_merged_arr(arr):
    m,n = arr.shape
    I,J = np.ogrid[:m,:n]
    out = np.empty((m,n,3), dtype=arr.dtype)
    out[...,0] = I
    out[...,1] = J
    out[...,2] = arr
    out.shape = (-1,3)
    return out

array = np.array([[ 1,  3,  7],
                  [ 4,  9,  8]])

df = pd.DataFrame(indices_merged_arr(array), columns=['x', 'y', 'value'])
print(df)

   x  y  value
0  0  0      1
1  0  1      3
2  0  2      7
3  1  0      4
4  1  1      9
5  1  2      8

<强>性能

arr = np.random.randn(1000, 1000)

%timeit df = pd.DataFrame(np.hstack((np.indices(arr.shape).reshape(2, arr.size).T,\
                         arr.reshape(-1, 1))), columns=['x', 'y', 'value'])
100 loops, best of 3: 15.3 ms per loop

%timeit pd.DataFrame(indices_merged_arr(array), columns=['x', 'y', 'value'])
1000 loops, best of 3: 229 µs per loop

将带索引的numpy数组转换为pandas数据帧

1 个答案: