结构化数组

第7关:Numpy的结构化数组 平台会对你编写的代码进行测试,对比你输出的数值与实际正确的数值,只有所有数据全部计算正确才能进入下一关。,其数据类型是由组成一系列命名字段的简单数据类型组成的,在定义结构化数据时需要指定数据类型。注意:尽管这里列举的模式对于简单的操作非常有用,但是这些操作场景也可以用。有的时候通过异构类型值组成的数组无法完全的表示我们的数据,这时候就需要。的结构化数组,并通过读取文件内容转换结构化数组操作。查看相应的值,并且可以进行快速的数据处理。的,异构的数据提供了非常有效的存储。结构化数组的方便之处在于,你可以通过。 阅读详情

可以将结构化数据类型视为具有一定长度的字节序列(结构的项目大小),该字节序列被解释为字段的集合。每个字段在结构中都有一个名称,一个数据类型和一个字节偏移量。
– dtype(fieldname, datatype, shape)
1.元组列表,每个字段一个元组

np.dtype([(‘x’,‘f4’),(‘y’,np.float32),(‘z’,‘f4’,(2,2))])
dtype([(‘x’, ‘<f4’), (‘y’, ‘<f4’), (‘z’, ‘<f4’, (2, 2))])

np.dtype([(‘x’,‘f4’),(’’,‘i4’),(‘z’,‘i8’)])
dtype([(‘x’, ‘<f4’), (‘f1’, ‘<i4’), (‘z’, ‘<i8’)])

2.一串用逗号分隔的dtype规范

np.dtype(‘i8,f4,S3’)
dtype([(‘f0’, ‘<i8’), (‘f1’, ‘<f4’), (‘f2’, ‘S3’)])

np.dtype(‘3int8,float32,(2,3)float64’)
dtype([(‘f0’, ‘i1’, (3,)), (‘f1’, ‘<f4’), (‘f2’, ‘<f8’, (2, 3))])

3.字段参数数组字典
– names formats必填 offsets itemsize aligned titles可选

np.dtype({‘names’:[‘col1’,‘col2’],‘formats’:[‘i4’,‘f4’]})
dtype([(‘col1’, ‘<i4’), (‘col2’, ‘<f4’)])
dtype({‘names’:[‘col1’,‘col2’], ‘formats’:[’<i4’,’<f4’], ‘offsets’:[0,4], ‘itemsize’:12})

np.dtype({‘names’😦‘col1’,‘col2’),‘format1s’😦‘i4’,‘f4’),‘offsets’:[0,4],‘itemsize’:12})

4.字段名称字典

np.dtype({‘col1’😦‘i1’,0),‘col2’😦‘f4’,1)})
dtype([(‘col1’, ‘i1’), (‘col2’, ‘<f4’)])

– 显示结构化数据类型

np.dtype({‘col1’😦‘i1’,0),‘col2’😦‘f4’,1)})
dtype([(‘col1’, ‘i1’), (‘col2’, ‘<f4’)])

– fields属性包括字段名 类型 和偏移量

np.dtype(‘u1,u1,i4,i8,u2’).fields
mappingproxy({‘f0’: (dtype(‘uint8’), 0), ‘f1’: (dtype(‘uint8’), 1), ‘f2’: (dtype(‘int32’), 2), ‘f3’: (dtype(‘int64’), 6), ‘f4’: (dtype(‘uint16’), 14)})

– d.fields[names][0]: dtype(‘name’) d.fields[names][1]: dtype(‘position’)

def print_offsets(d):
… print(‘offsets:’,[d.fields[name][1] for name in d.names])
… print(‘itemsize:’,d.itemsize)

print_offsets(np.dtype(‘u1,u1,i4,i8,u2’))
offsets: [0, 1, 2, 6, 14]
itemsize: 16

print_offsets(np.dtype(‘u1,u1,i4,i8,u2’,align=True))
offsets: [0, 1, 4, 8, 16]
itemsize: 24

(np.dtype(‘u1,u1,i4,i8,u2’)).names
(‘f0’, ‘f1’, ‘f2’, ‘f3’, ‘f4’)

– 根据列名访问字段数据

x=np.array([(1,2),(3,4)],dtype=[(‘foo’,‘i8’),(‘bar’,‘f4’)])
x
array([(1, 2.), (3, 4.)], dtype=[(‘foo’, ‘<i8’), (‘bar’, ‘<f4’)])

x[‘foo’]
array([1, 3], dtype=int64)

x=np.array([(1,2,3)],dtype=‘i,f,f’)

x
array([(1, 2., 3.)], dtype=[(‘f0’, ‘<i4’), (‘f1’, ‘<f4’), (‘f2’, ‘<f4’)])

scalar=x[0]
scalar
(1, 2., 3.)

type(scalar)
<class ‘numpy.void’>

x.shape
(1,)

x=np.array([(1,2,3)],dtype=‘i,f,f’)
x
array([(1, 2., 3.)], dtype=[(‘f0’, ‘<i4’), (‘f1’, ‘<f4’), (‘f2’, ‘<f4’)])

x.shape
(1,)

x=np.array([(1,2,3)],dtype=‘i,f,f’)[0]
x[0]
1

x[1]=4
x
(1, 4., 3.)

x.item()
(1, 4.0, 3.0)

type(x.item())
<class ‘tuple’>

– rec子类

recordarr = np.rec.array([(1,2,‘hello’),(2,3,‘world’)],dtype=[(‘foo’,‘i4’),(‘bar’,‘f4’),(‘baz’,‘S10’)])
recordarr.bar
array([2., 3.], dtype=float32)

recordarr[1:2]
rec.array([(2, 3., b’world’)],
dtype=[(‘foo’, ‘<i4’), (‘bar’, ‘<f4’), (‘baz’, ‘S10’)])

recordarr[1:2].foo
array([2])

recordarr.foo[1:2]
array([2])

– 与上面做对比

record = np.array([(1,2,‘hello’),(2,3,‘world’)],dtype=[(‘foo’,‘i4’),(‘bar’,‘f4’),(‘baz’,‘S10’)])
record[‘bar’]
array([2., 3.], dtype=float32)

record[1:2]
array([(2, 3., b’world’)],
dtype=[(‘foo’, ‘<i4’), (‘bar’, ‘<f4’), (‘baz’, ‘S10’)])

record[1:2][‘foo’]
array([2])

– 用忆存在的array对像初始化rec对像

recordxrr = np.rec.array(record)
recordxrr
rec.array([(1, 2., b’hello’), (2, 3., b’world’)],
dtype=[(‘foo’, ‘<i4’), (‘bar’, ‘<f4’), (‘baz’, ‘S10’)])
https://numpy.org/doc/stable/user/basics.rec.html

NumPy基础-结构化数组(二) 对结构化数组进行索引和赋值 将数据分配给结构化数组 有多种方法可以将值分配给结构化数组:使用Python元组、使用标量值或使用其它结构化数组。 1.从Python元组分配 将值分配给结构化数组的最简答方法是使用Python元组,每个分配的值都应是一个长度等于数组中字段数的元组,而不是列表或数组,因为它们将触发NumPy的广播规则。元组的元素从左到右分配给数组的连续字段: 2.标量分配 分配给结构化元素的标量将分配给所有字段,当将标量分配给结构化数组或将非结构化数组分配给结构化数组时,则会发生这种情况: 阅读详情

相关推荐

QGIS实战:5分钟搞定谷歌地图、高德、天地图等多源地图加载(附最新图源URL)

本文详细介绍了如何在QGIS中快速加载谷歌地图、高德、天地图等多源地图,提供2023年验证可用的最新图源URL和配置步骤。从环境准备到高级技巧,涵盖国内外主流地图服务的完整解决方案,帮助用户提升GIS工作效率。

weixin_29210759的博客 1229

Python 中 NumPy 的结构化数组

介绍 结构化数组是 ndarray,其数据类型是由一系列命名字段 (named fields) 组织的简单数据类型组成。例如: >>> x = np.array([('Rex', 9, 81.0), ('Fido', 3, 27.0)], ... dtype=[('name', 'U10'), ('age', 'i4'), ('weight', '...

止步听风的博客 3849

DSPACE仿真平台的使用

DSPACE仿真平台的使用 文章目录DSPACE仿真平台的使用1.ModelDesk新建项目2.MotionDesk引入项目3.ControlDesk引入项目4.项目整合运行 我们使用DSPACE仿真平台软件来模拟小汽车的自动驾驶。 总共需要用到DSPACE大类下的三个软件:ModelDesk、ControlDesk、MotionDesk。 1.ModelDesk新建项目 在桌面上点击ModelDesk图标,打开DSPACE—ModelDesk 选择 File 标签,侧边栏选择 New,点击 New A

qq_42582489的博客 7530

Input contains NaN, infinity or a value too large for dtype(‘<f4‘).

数据处理时出现Input contains NaN, infinity or a value too large for dtype('<f4').错误

kan1437的博客 760

HyperLPR3车牌识别-Android-SDK光速部署与使用

基于深度学习高性能中文车牌识别 High Performance Chinese License Plate Recognition Framework.快速部署AndroidSDK

tunm 6128

《UE4游戏开发》之 《音效系统的实现》

音效系统需要负责管理什么事情: 1.1 确定声音控制的分类:如背景音乐、技能音效、界面音效、角色配音等,不同游戏对声音有不同的分类 1.2 控制每个分类的声音的开启与关闭,以及调节每个分类声音的大小 解决如何分类: 2.1 首先需要知道ue4为声音分类提供了什么:SoundClass通常需要一个根分类【SC_RPG_Master】,便于总体控制音效,以及指定引擎默认启动的音效 打开SoundClass资产【SC_RPG_Master】,对根控制的设置,将逐级传递并按比例进行设置,以此达到控制一类声音的目的.

qq_21919621的博客 2127

numpy基础之ndarray的数据类型dtype

ndarray的数据类型dtype含有ndarray将一块内存解释为特定数据类型所需的信息。

sinat_34735632的博客 1462

ECharts 实现世界地图

效果图 源代码(仅供参考) <template> <div class="echarts"> <div class="className" id="id" style="width: 100%; height: 450px" ref="myEchart" ></div> </div> </template> <script lang="ts"> imp

EsquireY的博客 4876

python numpy 数据类型为python对象-关于Numpy数据类型对象(dtype)使用详解

常用方法#记住引入numpy时要是用别名np,则所有的numpy字样都要替换#查询数值类型>>>type(float)dtype("float64")# 查询字符代码>>> dtype("f")dtype("float32")>>> dtype("d")dtype("float64")# 查询双字符...

weixin_39536806的博客 2007

从UE4到Unity:双叶高光技术在角色皮肤渲染中的移植全流程

本文详细解析了将UE4中的双叶高光技术移植到Unity引擎的全流程。该技术通过模拟皮肤油脂层和真皮层的不同反射特性,能显著提升角色皮肤渲染的真实感。文章从核心原理、贴图资产处理、Shader代码重构到参数调校,提供了完整的跨引擎移植实战指南,帮助开发者实现高质量的皮肤质感还原。

alice7model的博客 481

clock min pulse width检查

高电平脉宽 = clock fall edge到达FF/CK的时间 - clock rise edge到达FF/CK的时间;低电平脉宽 = 下一T clock rise edge到达FF/CK的时间 - clock fall edge到达FF/CK的时间。而required pulse width是根据FF/CK处的transition,根据查找表计算得到的。为什么clock transition越大,会导致required pulse width越大呢?5、 降低clock上的串扰。

芯冰乐 580

Numpy数据类型及数组创建01

文章目录1.常量numpy.nannumpy.infnumpy.pinumpy.e2.数据类型3.时间日期和时间增量4.数组的创建 1.常量 numpy.nan 1.表示空值。 2.nan = NaN = NAN 【例】两个numpy.nan是不相等的。 import numpy as np print(np.nan == np.nan) # False print(np.nan != np.nan) # True 在IDLE里执行失败,在Jupyter Notebook里执行成功 numpy.is

数据攻城狮的博客 1698

Ubuntu零基础教学-如何把Ubuntu20.04界面从英文修改为中文?| 超级详细,建议收藏

带你如何把Ubuntu20.04界面从英文修改为中文?| 超级详细,建议收藏

**My Coding Family** 5343

结构化数据:NumPy 的结构化数组

虽然我们的数据通常可以用同质数组很好地表示,但有时情况并非如此。本文将演示 NumPy 的结构化数组和记录数组的用法,它们为复合的、异构的数据提供了高效的存储方式。

Humbunklung的专栏 1424

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

NumPy数组排序及其结构化数组

a=np.array([(b’Rex’, 9, 81.), (b’Fido’, 7, 77.)],dtype={‘names’😦“name”,“age”,“score”),“formats”😦“<S10”,“<i4”,“<f4”)}) #通过元组定义数据类型。a=np.loadtxt(“data.txt”,skiprows=1,dtype=[(“name”,“S10”),(“age”,“int”),(“score”,“float”)]) #读取文件并设置数据类型,其中skiprows为跳过第一行。

2301_77225918的博客 2124

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

numpy结构化数组

一、创建结构化数组 1、元组列表,每个字段一个元组 每个元组都有这些属性(fieldname,datatype,shape):filename:名称、datatype:数据类型、shape:形状 如果fieldname是空字符串'',那么该字段将被赋予一个默认名称形式f#,其中#是该字段的整数索引,从左边以0开始计数: >>> np.dtype([('x', 'f4')...

qq_18246731的博客 1279

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

NumPy之:结构化数组详解

普通的数组就是数组中存放了同一类型的对象。而结构化数组是指数组中存放不同对象的格式。 今天我们来详细探讨一下NumPy中的结构化数组。

程序那些事 1870

Numpy 结构化数组

Numpy 结构化数组,前面介绍了数组创建,在Numpy中,不仅可以创建规模和结构更加复杂的数组,叫做结构化数组,它包含的是结构或记录而不是独立的元素。 其他Numpy数组的创建可以参考极客教程NumPy 创建数组,NumPy 从已有数组创建数组,NumPy 从数值范围创建数组。 结构化数组创建 可以创建一个简单的结构化数组,其中元素为结构体。可以用dtype选项指定一系列用逗号隔开的说明符,指明...

xia1984920的专栏 840

018-结构化数组

结构化数组是NumPy中用于存储异构数据的特殊数组类型,允许每个元素包含多个不同数据类型的字段。本章介绍了结构化数组的创建方法(字符串描述、元组列表、字典等)、常用数据类型代码、字段访问与修改操作,以及条件筛选、排序等高级功能。通过员工数据和销售数据等实用示例,展示了结构化数组在数据处理中的应用场景,包括字段计算、条件筛选和多字段排序等操作。结构化数组特别适合处理类似数据库表的异构数据,为复杂数据分析和操作提供了高效解决方案。

lvjesus的博客 637

Numpy库:结构化数组

结构化数组

qq_65431299的博客 796

【Numpy基础知识】结构化数组

【Numpy基础知识】结构化数组

代码改变世界 1894

7.Numpy中的结构化数组

目录Numpy中的结构化数组1.引入2.结构化数组3.结构化数组的创建字典创建元组创建numpy.dtype函数创建4.结构化数组的数据类型 Numpy中的结构化数组 到这里为止,我们基本上已经讲解完了Numpy中数组的基本操作. 但是无论怎么样,我们会发现这些操作都是针对于一般的数组(或者说矩阵)而言的. 但是在我们日常生活,绝大多数的数据都不是以一个良好的矩阵出现的,通常都是以csv或者Exc...

鸿神的博客 2123

NumPy基础-结构化数组(一)

结构化数组是ndarray,它的数据类型是由一些简单的数据类型组成的结构,这些数据类型按命名字段的序列组织。例如: 这里x是一个长度为2的一维数组,其数据类型为具有三个字段结构: 1.长度为10或更短的字符串,名称为“name” 2.一个32位整数“age”和3 3.一个32位浮点数,名称为“weight” 如果x在位置1索引,可以得到一个结构: 可以通过使用字段名称建立索引来访问和修改结构化数组和各个字段: 结构化数据类型被设计成能够模仿C语言中的结构,并共享类似的内存布局。它们用于与C代码进行接口

m0_54342642的博客 1320

Python numpy 结构化数组之索引

numpy 结构化数据类型是字段的结集合。每一个字段由 name、type 和 offset 组成。字段的数据类型可以是任何numpy数据类型、其他结构化数据类型和子数组数据类型。numpy也提供了结构化数组类型创建的四种方法: 对于 numpy 结构化数组的操作,我们已经在 numpy 结构化数组赋值 学习了结构化数组的三种赋值方法分别为在 numpy 中普通数组最常见的操作就是索引,同理对于结构化数组也同样支持索引操作。 本期,我们将学习 numpy 结构化数组的索引操作相关方法,Let’s go~在

m0_71437598的博客 960
上一篇: numpy 入门
下一篇: mysql导出数据写入文本转成excel文档
python_xep
博客等级 码龄11年 0粉丝 11原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值