Python 如何将二维NumPy数组的对应值映射到一维数组

我已经编写了这段代码：

data=np.array（[[3,6]，[5,9]，[4,8]）
原点x，原点y=np.split（数据，2，轴=1）
x=np.array（[3,4]）
y=np.零（（len（x）））
对于范围内的i（len（x））：
y[i]=orig_y[np.其中（orig_x==x[i]）[0]]

基本上，我有一个2D NumPy数组。我把它分成两个一维数组orig_x和orig_y，一个存储x轴的值，另一个存储y轴的值

我还有另一个1D NumPy数组，它包含orig_x数组中存在的一些值。我想找到x数组中每个值的y轴值。我创建了这个方法，使用了一个简单的循环，但是速度非常慢，因为我使用了数千个值

你有更好的主意吗？也许通过使用NumPy函数

---

注意：也可以为这个问题设置一个更好的标题。抱歉：（

我不能100%确定我是否正确理解了这个问题，但我认为以下方法应该有效：

>>行，列=np.where（orig_x==x）
>>>y=orig_y[行[np.argsort（cols）]].ravel（）
>>>y
数组（[6,8]）

---

它假定

orig_x

中的所有值都是唯一的，但由于您的代码示例具有相同的限制，我认为它是给定的。

查找表如何

import numpy as np
data = np.array([[3,6], [5,9], [4, 8]])

orig_x, orig_y = np.split(data, 2, axis=1)

x = np.array([3, 4])
y = np.zeros((len(x)))

您可以打包dict进行查找：

lookup = {i: j for i, j in zip(orig_x.ravel(), orig_y.ravel())}

只需将其映射到一个新数组：

np.fromiter(map(lambda i: lookup.get(i, np.nan), x), dtype=int, count=len(x))
array([6, 8])

如果

orig_x

和

orig_y

是较小的数据结构，这可能是最有效的

---

编辑-我突然想到，如果您的值是整数，那么默认的

np.nan

将不起作用，如果您试图找到一个不在

orig_x

数组中的值，您应该找出哪个值对您的应用程序有意义。

您可以创建一个掩码，在该掩码上输入x列中的值，然后使用这个m要求从y列中选择值

data = np.array([[3,6], [5,9], [4, 8]])

# the values you want to lookup on the x-axis
x = np.array([3, 4])

mask = np.isin(data[:,0], x)
data[mask,1]

输出：

array([6, 8])

array([6, 8])

这里的关键功能是使用

np.isin

。其基本功能是将

x

或

数据

广播到适当的形状，并进行元素比较：

mask = data[:,0,None] == x
y_mask = np.logical_or.reduce(mask, axis=1)
data[y_mask, 1]

输出：

array([6, 8])

array([6, 8])

---

是的，我确实想要这样的东西，orig_x中的值是唯一的，但它似乎没有使它更快。也许没有优化它的解决方案。我想做一些计时测试。你的

数据和
x
数组有多长？我现在测试的数据大约有500K值，而x数组大约有10K。Howev呃，数据可能从100K到10M不等。另外，我有两个X数组。每个数据数组都有X1和X2，所以这也会使它变慢。这是一个非常快速的解决方案，但我认为它返回的值顺序不正确（不遵循
X
元素的顺序）。从OP中不清楚顺序是否重要。@Seb掩码是在
x
的元素上排序的，这与
y
中的元素顺序相同。