Python 如何使用numpy将一维数组转换为二维数组？

我有如下数据：

>>>npfilled[:5]

array([('!', 0, 0, 3, 10, 0, 2, 4, 4), ('!"', 0, 0, 0, 5, 0, 0, 0, 0),
       ('"', 23, 13, 20, 32, 0, 0, 22, 9),
       ("'", 21, 8, 23, 12, 5, 10, 0, 7), ('(', 3, 2, 2, 3, 0, 0, 0, 0)], 
      dtype=[('token', '<U64'), ('mel_freq1', '<i2'), ('mel_freq0', '<i2'), ('mel_freq2', '<i2'), ('mel_freq3', '<i2'), ('aus_freq0', '<i2'), ('aus_freq1', '<i2'), ('aus_freq2', '<i2'), ('aus_freq3', '<i2')])

>>>npfilled.shape
(301,)

npfilled[：5] 数组（[（“！”，0，0，3，10，0，2，4，4），（“！”，0，0，0，5，0，0，0，0）， ('"', 23, 13, 20, 32, 0, 0, 22, 9), ("'", 21, 8, 23, 12, 5, 10, 0, 7), ('(', 3, 2, 2, 3, 0, 0, 0, 0)],

---

dtype=[（'token'，'用numpy术语来说，您正在询问如何将结构化数组转换为“普通”二维数组，其中结构中的每个项都沿一个新轴

简单地说，对于这样的异构数据，

pandas

可能更符合您的要求

话虽如此，这里有一个简单的解释：

---

首先，要从当前结构化数组中切片列，您可以执行以下操作：

import numpy as np

# Your example data...
data = np.array([('!', 0, 0, 3, 10, 0, 2, 4, 4),
                 ('!"', 0, 0, 0, 5, 0, 0, 0, 0),
                 ('"', 23, 13, 20, 32, 0, 0, 22, 9),
                 ("'", 21, 8, 23, 12, 5, 10, 0, 7),
                 ('(', 3, 2, 2, 3, 0, 0, 0, 0)],
        dtype=[('token', '<U64'), ('mel_freq1', '<i2'),
               ('mel_freq0', '<i2'), ('mel_freq2', '<i2'),
               ('mel_freq3', '<i2'), ('aus_freq0', '<i2'),
               ('aus_freq1', '<i2'), ('aus_freq2', '<i2'),
               ('aus_freq3', '<i2')])

# Print out two arbitrary columns.
print data[['token', 'aus_freq1']]

如果您有异构数据，您可能并不真正希望切换到“普通”数组

但是，如果您确实想切换，您可能会想到以下几点：

array([[u'!', 0, 0, 3, 10, 0, 2, 4, 4],
       [u'!"', 0, 0, 0, 5, 0, 0, 0, 0],
       [u'"', 23, 13, 20, 32, 0, 0, 22, 9],
       [u"'", 21, 8, 23, 12, 5, 10, 0, 7],
       [u'(', 3, 2, 2, 3, 0, 0, 0, 0]], dtype=object)

简单的回答是：

---

如果您不太关心内存使用，您可以：

np.array(data.tolist(), dtype=object)

---

较长的答案是： 上面这一行只需要很少的麻烦就能得到你想要的东西。然而，这种方法有两个轻微的缺点

构建一个中间列表，并且

返回一个对象数组，这比原始结构化数组的内存效率要低得多

第二个问题无法解决。这就是结构化数组存在的原因。对象数组（指针数组）在内存中不如结构化数组紧凑，但它们可以容纳任意对象

但是，如果只想获得原始结构化数组的同质部分，则可以执行以下类似操作：

# Only the first column is text...
numeric_cols = list(data.dtype.names[1:])

# View the non-text parts as an array with the same dtype as the numeric cols:
data2d = data[numeric_cols].view('<i2')

# And reshape it into a 2D array:
data2d = data2d.reshape(-1, len(numeric_cols))

这种方法更为冗长，但如果您有一个非常大的数组，则速度会快得多

# Only the first column is text...
numeric_cols = list(data.dtype.names[1:])

# View the non-text parts as an array with the same dtype as the numeric cols:
data2d = data[numeric_cols].view('<i2')

# And reshape it into a 2D array:
data2d = data2d.reshape(-1, len(numeric_cols))

In [10]: data2d
Out[10]: 
array([[ 0,  0,  3, 10,  0,  2,  4,  4],
       [ 0,  0,  0,  5,  0,  0,  0,  0],
       [23, 13, 20, 32,  0,  0, 22,  9],
       [21,  8, 23, 12,  5, 10,  0,  7],
       [ 3,  2,  2,  3,  0,  0,  0,  0]], dtype=int16)