Python a"；ij“；网格网格和长网格网格

考虑一个矩阵

Z

，它包含

Z=Z（a，m，e）

的基于网格的结果

Z

具有形状

（len（aGrid）、len（mGrid）、len（eGrid））

Z[0,1,2]

包含

Z（a=aGrid[0]，m=mGrid[1]，e=eGrid[2]）

。但是，我们可能已经从对象的状态空间中删除了一些元素（例如，简单性，

（a，m，e:a>3）

。假设有效状态空间的大小为

x

我需要一个代码来将该对象转换为形状为（x，3）的对象

Z2

。

Z2

中的每一行对应于

Z2

中的一个元素

I

：

（aGrid[a[I]]、mGrid[m[I]]、eGrid[e[I]

）

通过一些计算，我得到了一个矩阵

V4

，其形状为

Z3

，但包含4列

我被给予

• Z2

  （如上所述）

• Z3

  （如上所述）

• V4

  这是一个矩阵形状（

  Z3.shape[0]，Z3.shape[1]+1

  ）：它附加了一列
• （如有必要，我仍然可以访问网格

  A、M、E

  ）

我需要重新创造

• V

  ，它是包含

  V4

  的值（最后一列的值）的矩阵，但被转换回

  Z1

  的形状

也就是说，如果

V4

中有一行读取

（aGrid[0]、mGrid[1]、eGrid[2]、v1）

，则

V4

中所有行的

V

处的

V

值等于v1，等等

---

效率是关键

因此Z与A、M、E的形状相同；在这种情况下，Z2是形状（Z.ravel（），len（grids））=（10x10x200，3）（如果不过滤NaN元素）。 这是如何从

Z2

的值重新创建网格的：

grids = Z2.T
A,M,E = [g.reshape(A.shape) for g in grids]
Z = A # or whatever other calculation you need here

---

您唯一需要的是要返回的形状。

NaN

将传播到最终数组。

根据原始问题条件，按如下方式重新创建，修改后的

A

是

Z

的副本：

aGrid = np.arange(0, 10, dtype=float)
mGrid = np.arange(100, 110, dtype=float)
eGrid = np.arange(1000, 1200, dtype=float)
A,M,E = np.meshgrid(aGrid, mGrid, eGrid, indexing='ij')
Z = A.copy()
Z[Z > 3] = np.NaN 

grids = [A,M,E]
grid_bc = np.broadcast_arrays(*grids)
Z2 = np.column_stack([g.ravel() for g in grid_bc])
Z2[np.isnan(Z.ravel())] = np.nan
Z3 = Z2[~np.isnan(Z2)]

函数可以定义如下，从稀疏2D

#数据点

x

#dims+1

矩阵重新创建密集N-D矩阵。函数的第一个参数是前述2D矩阵，最后一个（可选）参数是每个维度的网格索引：

import numpy as np
def map_array_to_index(uniq_arr):
    return np.vectorize(dict(map(reversed, enumerate(uniq_arr))).__getitem__)

def recreate(arr, *coord_arrays):
    if len(coord_arrays) != arr.shape[1] - 1:
      coord_arrays = map(np.unique, arr.T[0:-1])
    lookups = map(map_array_to_index, coord_arrays)
    new_array = np.nan * np.ones(map(len, coord_arrays))
    new_array[tuple(l(c) for c, l in zip(arr.T[0:-1], lookups))] = arr[:, -1]
    new_grids = np.meshgrid(*coord_arrays, indexing='ij')
    return new_array, new_grids

给定一个2D矩阵V4，上面定义了从Z导出的值

V4 = np.column_stack([g.ravel() for g in grid_bc] + [Z.ravel()])

可以按如下方式重新创建Z：

V4_orig_form, V4_grids = recreate(V4, aGrid, mGrid, eGrid)

所有非NaN值均正确测试是否相等：

np.all(Z[~np.isnan(Z)] == V4_orig_form[~np.isnan(V4_orig_form)])

---

该函数在没有传入aGrid、mGrid、eGrid的情况下也可以工作，但在这种情况下，它将不包括输入数组的相应列中不存在的任何坐标。

Z=A；Z[Z>3]=np.NaN；这里您还可以在A.Good find中设置值。在这个简单的示例中，这是真的，在我的实际代码中，我有类似于

Z=A+M**2….

。无论如何，调用A、M、E只是为了获得

Z

的正确形状并删除无效状态，所以这并不太重要。因为您从Z2中删除了元素，所以您不能毫不含糊地重新创建Z。您将获得哪些信息？网格中阵列的数量和形状？我想知道您为什么需要以这种方式前后移动。好吧，实际上，我不想转换回

Z2

。我有一个形状为Z2的计算结果，但值不同，我想返回到

ij

-网格上的原始格式。我可以保存

Z2

的中间版本（带有

NaN

标记的中间版本，在删除它们之前）-也许这会有帮助，因为这样你就有了

NaN

的位置，也就是说，最终的

Z2

格式的数据缺少项。否则，你还需要什么？目前你的问题中仍然存在矛盾——Z2和Z3在你的代码中只有3列，而在文本中你将它们定义为第四列（前三列指定的网格坐标处的实际值）。我一直没有编辑您的答案，很抱歉！现在我正试图了解发生了什么。我完全按照您的粘贴进行操作，但在以

新数组开头的行中得到
键错误：100.0
[tuple…

.Oops.请查看我的最新编辑-示例现在可以运行了。（将网格坐标映射到N-D数组索引的函数的映射方向错误。）

np.all(Z[~np.isnan(Z)] == V4_orig_form[~np.isnan(V4_orig_form)])