在python中是否有存储XY数据的标准方法？

在python中是否有存储（x，y）、（x，y，z）或（x，y，z，t）数据的标准方法

我知道numpy数组经常用于类似的事情，但我想你也可以使用numpy矩阵

我已经看到两个列表被压缩在一起的使用，这两个方面完全取代了numpy的使用

XY_data = zip( [x for x in range(0,10)] , [y for y in range(0,10)] )

有标准吗？如果不是，你最喜欢的方式是什么，或者你见过的最多的方式是什么？

一个好的方式是使用一个。这提供了numpy阵列的所有优点，但提供了一种方便的访问结构

要使numpy数组成为“结构化”数组，只需给它一个

dtype

参数。这为每个“字段”提供了名称和类型。如果您愿意，它们甚至可以具有更复杂的形状和层次结构，但以下是我保存x-y数据的方法：

In [175]: import numpy as np

In [176]: x = np.random.random(10)

In [177]: y = np.random.random(10)

In [179]: zip(x,y)
Out[179]: 
[(0.27432965895978034, 0.034808254176554643),
 (0.10231729328413885, 0.3311112896885462),
 (0.87724361175443311, 0.47852682944121905),
 (0.24291769332378499, 0.50691735432715967),
 (0.47583427680221879, 0.04048957803763753),
 (0.70710641602121627, 0.27331443495117813),
 (0.85878694702522784, 0.61993945461613498),
 (0.28840423235739054, 0.11954319357707233),
 (0.22084849730366296, 0.39880927226467255),
 (0.42915612628398903, 0.19197320645915561)]

In [180]: data = np.array( zip(x,y), dtype=[('x',float),('y',float)])

In [181]: data['x']
Out[181]: 
array([ 0.27432966,  0.10231729,  0.87724361,  0.24291769,  0.47583428,
        0.70710642,  0.85878695,  0.28840423,  0.2208485 ,  0.42915613])

In [182]: data['y']
Out[182]: 
array([ 0.03480825,  0.33111129,  0.47852683,  0.50691735,  0.04048958,
        0.27331443,  0.61993945,  0.11954319,  0.39880927,  0.19197321])

In [183]: data[0]
Out[183]: (0.27432965895978034, 0.03480825417655464)

其他人可能会建议使用，但如果您的数据相对简单，那么纯numpy可能更容易

如果愿意，您可以添加层次结构，但它通常比必要的更复杂

例如：

In [200]: t = np.arange(10)

In [202]: dt = np.dtype([('t',int),('pos',[('x',float),('y',float)])])

In [203]: alldata = np.array(zip(t, zip(x,y)), dtype=dt)

In [204]: alldata
Out[204]: 
array([(0, (0.27432965895978034, 0.03480825417655464)),
       (1, (0.10231729328413885, 0.3311112896885462)),
       (2, (0.8772436117544331, 0.47852682944121905)),
       (3, (0.242917693323785, 0.5069173543271597)),
       (4, (0.4758342768022188, 0.04048957803763753)),
       (5, (0.7071064160212163, 0.27331443495117813)),
       (6, (0.8587869470252278, 0.619939454616135)),
       (7, (0.28840423235739054, 0.11954319357707233)),
       (8, (0.22084849730366296, 0.39880927226467255)),
       (9, (0.429156126283989, 0.1919732064591556))], 
      dtype=[('t', '<i8'), ('pos', [('x', '<f8'), ('y', '<f8')])])

In [205]: alldata['t']
Out[205]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

In [206]: alldata['pos']
Out[206]: 
array([(0.27432965895978034, 0.03480825417655464),
       (0.10231729328413885, 0.3311112896885462),
       (0.8772436117544331, 0.47852682944121905),
       (0.242917693323785, 0.5069173543271597),
       (0.4758342768022188, 0.04048957803763753),
       (0.7071064160212163, 0.27331443495117813),
       (0.8587869470252278, 0.619939454616135),
       (0.28840423235739054, 0.11954319357707233),
       (0.22084849730366296, 0.39880927226467255),
       (0.429156126283989, 0.1919732064591556)], 
      dtype=[('x', '<f8'), ('y', '<f8')])

In [207]: alldata['pos']['x']
Out[207]: 
array([ 0.27432966,  0.10231729,  0.87724361,  0.24291769,  0.47583428,
        0.70710642,  0.85878695,  0.28840423,  0.2208485 ,  0.42915613])

[200]中的

：t=np.arange（10）
在[202]中：dt=np.dtype（[（'t'，int），（'pos'，[（'x'，float），（'y'，float）]）
[203]中：alldata=np.array（zip（t，zip（x，y）），dtype=dt）
In[204]：所有数据
出[204]：
数组（[（0，（0.2743296589578034，0.03480825417655464）），
(1, (0.10231729328413885, 0.3311112896885462)),
(2, (0.8772436117544331, 0.47852682944121905)),
(3, (0.242917693323785, 0.5069173543271597)),
(4, (0.4758342768022188, 0.04048957803763753)),
(5, (0.7071064160212163, 0.27331443495117813)),
(6, (0.8587869470252278, 0.619939454616135)),
(7, (0.28840423235739054, 0.11954319357707233)),
(8, (0.22084849730366296, 0.39880927226467255)),
(9, (0.429156126283989, 0.1919732064591556))], 
dtype=[（'t'，'你是专门询问空间坐标还是任何任意数据？对我来说，我是在询问空间坐标。但是，我相信，如果你有任何关于这两者的信息，互联网社区都会乐于学习。附带说明：
[x代表x的范围（0,10）]
与简单的
范围（10）相同
谢谢，我以前没有见过这种情况。因此，基本上同时使用zipping和numpy数组可以创建一种不同的数据类型，称为结构化数组？pandas比numpy有什么优势？我还没有使用pandas，但它在对数据集执行许多不同的分组和筛选时功能更强。如果你是一个家庭成员我喜欢裸体的方法，但发现它们缺乏，看看熊猫，但我会从普通的裸体开始。当然，其他人会不同意：）