如何在Python中使用列表和数组创建结构化数组？

我有一个表格列表：

A = ['P', 'Q', 'R', 'S', 'T', 'U']

B = [[ 1  2  3  4  5  6]
     [ 7  8  9 10 11 12]
     [13 14 15 16 17 18]
     [19 20 21 22 23 24]]

C = [[ P  Q  R  S  T  U]
     [ 1  2  3  4  5  6]
     [ 7  8  9 10 11 12]
     [13 14 15 16 17 18]
     [19 20 21 22 23 24]]

以及以下形式的数组B：

A = ['P', 'Q', 'R', 'S', 'T', 'U']

B = [[ 1  2  3  4  5  6]
     [ 7  8  9 10 11 12]
     [13 14 15 16 17 18]
     [19 20 21 22 23 24]]

C = [[ P  Q  R  S  T  U]
     [ 1  2  3  4  5  6]
     [ 7  8  9 10 11 12]
     [13 14 15 16 17 18]
     [19 20 21 22 23 24]]

现在我想创建一个结构化数组C，其形式如下：

A = ['P', 'Q', 'R', 'S', 'T', 'U']

B = [[ 1  2  3  4  5  6]
     [ 7  8  9 10 11 12]
     [13 14 15 16 17 18]
     [19 20 21 22 23 24]]

C = [[ P  Q  R  S  T  U]
     [ 1  2  3  4  5  6]
     [ 7  8  9 10 11 12]
     [13 14 15 16 17 18]
     [19 20 21 22 23 24]]

因此，我可以提取列名为p、Q、R等的列。我尝试了以下代码，但它没有创建结构化数组，并给出以下错误

代码

import numpy as np
A = (['P', 'Q', 'R', 'S', 'T', 'U'])
B = np.array([[1, 2, 3, 4, 5, 6], [7, 8, 9, 10, 11, 12], [13, 14, 15, 16, 17, 18], [19, 20, 21, 22, 23, 24]])
C = np.vstack((A, B))
print (C)
D = C['P']

错误

IndexError: only integers, slices (`:`), ellipsis (`...`), numpy.newaxis (`None`) and integer or boolean arrays are valid indices

在这种情况下，如何在Python中创建结构化数组

更新

import numpy as np
A = (['P', 'Q', 'R', 'S', 'T', 'U'])
B = np.array([[1, 2, 3, 4, 5, 6], [7, 8, 9, 10, 11, 12], [13, 14, 15, 16, 17, 18], [19, 20, 21, 22, 23, 24]])
C = np.vstack((A, B))
print (C)
D = C['P']

这两个都是变量，它们的形状在运行时会发生变化，但列表和数组的列数相同。

这就是库的用途：

>>> A = ['P', 'Q', 'R', 'S', 'T', 'U']
>>> B = np.arange(1, 25).reshape(4, 6)
>>> B
array([[ 1,  2,  3,  4,  5,  6],
       [ 7,  8,  9, 10, 11, 12],
       [13, 14, 15, 16, 17, 18],
       [19, 20, 21, 22, 23, 24]])
>>> import pandas as pd
>>> pd.DataFrame(B, columns=A)
    P   Q   R   S   T   U
0   1   2   3   4   5   6
1   7   8   9  10  11  12
2  13  14  15  16  17  18
3  19  20  21  22  23  24
>>> df = pd.DataFrame(B, columns=A)
>>> df['P']
0     1
1     7
2    13
3    19
Name: P, dtype: int64
>>> df['T']
0     5
1    11
2    17
3    23
Name: T, dtype: int64
>>>

这就是图书馆的用途：

>>> A = ['P', 'Q', 'R', 'S', 'T', 'U']
>>> B = np.arange(1, 25).reshape(4, 6)
>>> B
array([[ 1,  2,  3,  4,  5,  6],
       [ 7,  8,  9, 10, 11, 12],
       [13, 14, 15, 16, 17, 18],
       [19, 20, 21, 22, 23, 24]])
>>> import pandas as pd
>>> pd.DataFrame(B, columns=A)
    P   Q   R   S   T   U
0   1   2   3   4   5   6
1   7   8   9  10  11  12
2  13  14  15  16  17  18
3  19  20  21  22  23  24
>>> df = pd.DataFrame(B, columns=A)
>>> df['P']
0     1
1     7
2    13
3    19
Name: P, dtype: int64
>>> df['T']
0     5
1    11
2    17
3    23
Name: T, dtype: int64
>>>

这就是图书馆的用途：

>>> A = ['P', 'Q', 'R', 'S', 'T', 'U']
>>> B = np.arange(1, 25).reshape(4, 6)
>>> B
array([[ 1,  2,  3,  4,  5,  6],
       [ 7,  8,  9, 10, 11, 12],
       [13, 14, 15, 16, 17, 18],
       [19, 20, 21, 22, 23, 24]])
>>> import pandas as pd
>>> pd.DataFrame(B, columns=A)
    P   Q   R   S   T   U
0   1   2   3   4   5   6
1   7   8   9  10  11  12
2  13  14  15  16  17  18
3  19  20  21  22  23  24
>>> df = pd.DataFrame(B, columns=A)
>>> df['P']
0     1
1     7
2    13
3    19
Name: P, dtype: int64
>>> df['T']
0     5
1    11
2    17
3    23
Name: T, dtype: int64
>>>

这就是图书馆的用途：

>>> A = ['P', 'Q', 'R', 'S', 'T', 'U']
>>> B = np.arange(1, 25).reshape(4, 6)
>>> B
array([[ 1,  2,  3,  4,  5,  6],
       [ 7,  8,  9, 10, 11, 12],
       [13, 14, 15, 16, 17, 18],
       [19, 20, 21, 22, 23, 24]])
>>> import pandas as pd
>>> pd.DataFrame(B, columns=A)
    P   Q   R   S   T   U
0   1   2   3   4   5   6
1   7   8   9  10  11  12
2  13  14  15  16  17  18
3  19  20  21  22  23  24
>>> df = pd.DataFrame(B, columns=A)
>>> df['P']
0     1
1     7
2    13
3    19
Name: P, dtype: int64
>>> df['T']
0     5
1    11
2    17
3    23
Name: T, dtype: int64
>>>

---

如果你想用纯

numpy

做这件事，你可以

A = np.array(['P', 'Q', 'R', 'S', 'T', 'U'])
B = np.array([[ 1,  2,  3,  4,  5,  6],
              [ 7,  8,  9, 10, 11, 12],
              [13, 14, 15, 16, 17, 18],
              [19, 20, 21, 22, 23, 24]])

# define the structured array with the names from A
C = np.zeros(B.shape[0],dtype={'names':A,'formats':['f8','f8','f8','f8','f8','f8']})

# copy the data from B into C
for i,n in enumerate(A):
    C[n] = B[:,i]

C['Q']
array([  2.,   8.,  14.,  20.])

编辑：您可以改为使用自动化格式列表

C = np.zeros(B.shape[0],dtype={'names':A,'formats':['f8' for x in range(A.shape[0])]})

此外，名称不会作为数据出现在

C

中，而是出现在

dtype

中。要从

C

获取名称，您可以使用

C.dtype.names

---

如果你想用纯

numpy

来做，你可以这样做

A = np.array(['P', 'Q', 'R', 'S', 'T', 'U'])
B = np.array([[ 1,  2,  3,  4,  5,  6],
              [ 7,  8,  9, 10, 11, 12],
              [13, 14, 15, 16, 17, 18],
              [19, 20, 21, 22, 23, 24]])

# define the structured array with the names from A
C = np.zeros(B.shape[0],dtype={'names':A,'formats':['f8','f8','f8','f8','f8','f8']})

# copy the data from B into C
for i,n in enumerate(A):
    C[n] = B[:,i]

C['Q']
array([  2.,   8.,  14.,  20.])

编辑：您可以改为使用自动化格式列表

C = np.zeros(B.shape[0],dtype={'names':A,'formats':['f8' for x in range(A.shape[0])]})

此外，名称不会作为数据出现在

C

中，而是出现在

dtype

中。要从

C

获取名称，您可以使用

C.dtype.names

---

如果你想用纯

numpy

来做，你可以这样做

A = np.array(['P', 'Q', 'R', 'S', 'T', 'U'])
B = np.array([[ 1,  2,  3,  4,  5,  6],
              [ 7,  8,  9, 10, 11, 12],
              [13, 14, 15, 16, 17, 18],
              [19, 20, 21, 22, 23, 24]])

# define the structured array with the names from A
C = np.zeros(B.shape[0],dtype={'names':A,'formats':['f8','f8','f8','f8','f8','f8']})

# copy the data from B into C
for i,n in enumerate(A):
    C[n] = B[:,i]

C['Q']
array([  2.,   8.,  14.,  20.])

编辑：您可以改为使用自动化格式列表

C = np.zeros(B.shape[0],dtype={'names':A,'formats':['f8' for x in range(A.shape[0])]})

此外，名称不会作为数据出现在

C

中，而是出现在

dtype

中。要从

C

获取名称，您可以使用

C.dtype.names

---

如果你想用纯

numpy

来做，你可以这样做

A = np.array(['P', 'Q', 'R', 'S', 'T', 'U'])
B = np.array([[ 1,  2,  3,  4,  5,  6],
              [ 7,  8,  9, 10, 11, 12],
              [13, 14, 15, 16, 17, 18],
              [19, 20, 21, 22, 23, 24]])

# define the structured array with the names from A
C = np.zeros(B.shape[0],dtype={'names':A,'formats':['f8','f8','f8','f8','f8','f8']})

# copy the data from B into C
for i,n in enumerate(A):
    C[n] = B[:,i]

C['Q']
array([  2.,   8.,  14.,  20.])

编辑：您可以改为使用自动化格式列表

C = np.zeros(B.shape[0],dtype={'names':A,'formats':['f8' for x in range(A.shape[0])]})

此外，名称不会作为数据出现在

C

中，而是出现在

dtype

中。要从

C

获取名称，您可以使用

C.dtype.names

您的错误发生在：

D = C['P']

下面是一个简单的方法，在标题行上使用常规Python列表

import numpy as np
A = (['P', 'Q', 'R', 'S', 'T', 'U'])
B = np.array([[1, 2, 3, 4, 5, 6], [7, 8, 9, 10, 11, 12], 
    [13, 14, 15, 16, 17, 18], [19, 20, 21, 22, 23, 24]])
C = np.vstack((A, B))
print (C)
D = C[0:len(C), list(C[0]).index('P')]
print (D)

您的错误发生在：

D = C['P']

下面是一个简单的方法，在标题行上使用常规Python列表

import numpy as np
A = (['P', 'Q', 'R', 'S', 'T', 'U'])
B = np.array([[1, 2, 3, 4, 5, 6], [7, 8, 9, 10, 11, 12], 
    [13, 14, 15, 16, 17, 18], [19, 20, 21, 22, 23, 24]])
C = np.vstack((A, B))
print (C)
D = C[0:len(C), list(C[0]).index('P')]
print (D)

您的错误发生在：

D = C['P']

下面是一个简单的方法，在标题行上使用常规Python列表

import numpy as np
A = (['P', 'Q', 'R', 'S', 'T', 'U'])
B = np.array([[1, 2, 3, 4, 5, 6], [7, 8, 9, 10, 11, 12], 
    [13, 14, 15, 16, 17, 18], [19, 20, 21, 22, 23, 24]])
C = np.vstack((A, B))
print (C)
D = C[0:len(C), list(C[0]).index('P')]
print (D)

您的错误发生在：

D = C['P']

下面是一个简单的方法，在标题行上使用常规Python列表

import numpy as np
A = (['P', 'Q', 'R', 'S', 'T', 'U'])
B = np.array([[1, 2, 3, 4, 5, 6], [7, 8, 9, 10, 11, 12], 
    [13, 14, 15, 16, 17, 18], [19, 20, 21, 22, 23, 24]])
C = np.vstack((A, B))
print (C)
D = C[0:len(C), list(C[0]).index('P')]
print (D)

---

---

---

B

中是否缺少一些列？我已更新了数组B。您对更改的意思是什么？增加。。。减少至少

numpy

“更喜欢”具有固定的形状，这就是为什么您应该首先获取所有数据，然后启动numpy机器。我的意思是列的数量可能会根据数据集而增加或减少。您的

C

看起来不像结构化数组（由

genfromtxt

生成）。充其量它是一个同时包含字符串和数字的dtype对象数组，或者是一个字符串数组，其中的引号已被编辑掉。

B

中是否缺少某些列？我已更新了数组B。更改意味着什么？增加。。。减少至少

numpy

“更喜欢”具有固定的形状，这就是为什么您应该首先获取所有数据，然后启动numpy机器。我的意思是列的数量可能会根据数据集而增加或减少。您的

C

看起来不像结构化数组（由

genfromtxt

生成）。充其量它是一个同时包含字符串和数字的dtype对象数组，或者是一个字符串数组，其中的引号已被编辑掉。

B

中是否缺少某些列？我已更新了数组B。更改意味着什么？增加。。。减少至少

numpy

“更喜欢”具有固定的形状，这就是为什么您应该首先获取所有数据，然后启动numpy机器。我的意思是列的数量可能会根据数据集而增加或减少。您的

C

看起来不像结构化数组（由

genfromtxt

生成）。充其量它是一个同时包含字符串和数字的dtype对象数组，或者是一个字符串数组，其中的引号已被编辑掉。

B

中是否缺少某些列？我已更新了数组B。更改意味着什么？增加。。。减少至少

numpy

“更喜欢”具有固定的形状，这就是为什么您应该首先获取所有数据，然后启动numpy机器。我的意思是列的数量可能会根据数据集而增加或减少。您的

C

看起来不像结构化数组（由

genfromtxt

生成）。充其量是一个包含字符串和数字的dtype对象数组，或者是一个字符串数组，其中引号已被编辑掉。我是否必须为每列添加格式，对于大量列，还有其他解决方法吗？@nxcr：我认为您需要

格式部分，但您可以将其自动化->查看我的编辑C中缺少标题。如何将标题（即数组A）保留在数组C中？@nxcr：因为名称不是数据的一部分。有关名称列表，请键入
C.dtype.names
。当您只需键入
C
时，也可以在
dtype
中看到它们。当你想拥有类似Excel“视图”的东西时，你必须使用
pandas
代替，但是当我使用np.genfromtxt（）生成数组时，我会得到这样的标题。我必须为每列添加格式吗，对于大量列，还有其他解决方法吗？@nxcr：我认为您需要
格式部分，但您可以将其自动化->查看我的编辑C中缺少标题。如何将标题（即数组A）保留在数组C中？@nxcr：因为名称不是数据的一部分。有关名称列表，请键入
C.dtype.names
。当您只需键入
C
时，也可以在
dtype
中看到它们。当你想要像Excel“视图”这样的东西时，你必须使用
pandas
而不是head，但是当我使用np.genfromtxt（）生成数组时，我会得到这样的头。我必须添加吗