Я заинтересован в том, чтобы узнать, как преобразовать пандасный массив данных в массив NumPy.
dataframe:
import numpy as np
import pandas as pd
index = [1, 2, 3, 4, 5, 6, 7]
a = [np.nan, np.nan, np.nan, 0.1, 0.1, 0.1, 0.1]
b = [0.2, np.nan, 0.2, 0.2, 0.2, np.nan, np.nan]
c = [np.nan, 0.5, 0.5, np.nan, 0.5, 0.5, np.nan]
df = pd.DataFrame({'A': a, 'B': b, 'C': c}, index=index)
df = df.rename_axis('ID')
дает
label A B C
ID
1 NaN 0.2 NaN
2 NaN NaN 0.5
3 NaN 0.2 0.5
4 0.1 0.2 NaN
5 0.1 0.2 0.5
6 0.1 NaN 0.5
7 0.1 NaN NaN
Я хотел бы преобразовать это в массив NumPy следующим образом:
array([[ nan, 0.2, nan],
[ nan, nan, 0.5],
[ nan, 0.2, 0.5],
[ 0.1, 0.2, nan],
[ 0.1, 0.2, 0.5],
[ 0.1, nan, 0.5],
[ 0.1, nan, nan]])
Как я могу это сделать?
В качестве бонуса, возможно ли сохранить dtypes, как это?
array([[ 1, nan, 0.2, nan],
[ 2, nan, nan, 0.5],
[ 3, nan, 0.2, 0.5],
[ 4, 0.1, 0.2, nan],
[ 5, 0.1, 0.2, 0.5],
[ 6, 0.1, nan, 0.5],
[ 7, 0.1, nan, nan]],
dtype=[('ID', '<i4'), ('A', '<f8'), ('B', '<f8'), ('B', '<f8')])
или похожие?
Чтобы преобразовать pandas dataframe (df) в пустой массив ndarray, используйте этот код:
df.values
array([[nan, 0.2, nan],
[nan, nan, 0.5],
[nan, 0.2, 0.5],
[0.1, 0.2, nan],
[0.1, 0.2, 0.5],
[0.1, nan, 0.5],
[0.1, nan, nan]])
Примечание. Метод .as_matrix() используемый в этом ответе, устарел. Панды 0.23.4 предупреждают:
Метод
.as_matrixбудет удален в следующей версии. Вместо этого используйте .values.
У Панд есть что-то встроенное...
numpy_matrix = df.as_matrix()
дает
array([[nan, 0.2, nan],
[nan, nan, 0.5],
[nan, 0.2, 0.5],
[0.1, 0.2, nan],
[0.1, 0.2, 0.5],
[0.1, nan, 0.5],
[0.1, nan, nan]])
Я бы просто связал функции DataFrame.reset_index() и DataFrame.values, чтобы получить Numpy представление кадра данных, включая индекс:
In [8]: df
Out[8]:
A B C
0 -0.982726 0.150726 0.691625
1 0.617297 -0.471879 0.505547
2 0.417123 -1.356803 -1.013499
3 -0.166363 -0.957758 1.178659
4 -0.164103 0.074516 -0.674325
5 -0.340169 -0.293698 1.231791
6 -1.062825 0.556273 1.508058
7 0.959610 0.247539 0.091333
[8 rows x 3 columns]
In [9]: df.reset_index().values
Out[9]:
array([[ 0. , -0.98272574, 0.150726 , 0.69162512],
[ 1. , 0.61729734, -0.47187926, 0.50554728],
[ 2. , 0.4171228 , -1.35680324, -1.01349922],
[ 3. , -0.16636303, -0.95775849, 1.17865945],
[ 4. , -0.16410334, 0.0745164 , -0.67432474],
[ 5. , -0.34016865, -0.29369841, 1.23179064],
[ 6. , -1.06282542, 0.55627285, 1.50805754],
[ 7. , 0.95961001, 0.24753911, 0.09133339]])
Чтобы получить dtypes, нам нужно преобразовать этот ndarray в структурированный массив, используя view:
In [10]: df.reset_index().values.ravel().view(dtype=[('index', int), ('A', float), ('B', float), ('C', float)])
Out[10]:
array([( 0, -0.98272574, 0.150726 , 0.69162512),
( 1, 0.61729734, -0.47187926, 0.50554728),
( 2, 0.4171228 , -1.35680324, -1.01349922),
( 3, -0.16636303, -0.95775849, 1.17865945),
( 4, -0.16410334, 0.0745164 , -0.67432474),
( 5, -0.34016865, -0.29369841, 1.23179064),
( 6, -1.06282542, 0.55627285, 1.50805754),
( 7, 0.95961001, 0.24753911, 0.09133339),
dtype=[('index', '<i8'), ('A', '<f8'), ('B', '<f8'), ('C', '<f8')])
values и as_matrix() !Начиная с версии v0.24.0, мы познакомились с двумя совершенно новыми, предпочтительными методами получения массивов NumPy из объектов pandas:
to_numpy(), который определен DataFrame объектов Index, Series, и DataFrame, иarray, который определяется только для объектов Index и Series. Если вы посетите документы v0.24 для .values, вы увидите большое красное предупреждение, которое гласит:
Предупреждение: мы рекомендуем использовать
DataFrame.to_numpy().
См. Этот раздел примечаний к выпуску v0.24.0 и этот ответ для получения дополнительной информации.
to_numpy() В духе лучшей согласованности во всем API был введен новый метод to_numpy для извлечения базового массива NumPy из DataFrames.
# Setup.
df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]}, index=['a', 'b', 'c'])
df
A B
a 1 4
b 2 5
c 3 6
df.to_numpy()
array([[1, 4],
[2, 5],
[3, 6]])
Как упоминалось выше, этот метод также определен для объектов Index и Series (см. Здесь).
df.index.to_numpy()
# array(['a', 'b', 'c'], dtype=object)
df['A'].to_numpy()
# array([1, 2, 3])
По умолчанию возвращается вид, поэтому любые сделанные изменения будут влиять на оригинал.
v = df.to_numpy()
v[0, 0] = -1
df
A B
a -1 4
b 2 5
c 3 6
Если вам нужна копия, используйте to_numpy(copy=True);
v = df.to_numpy(copy=True)
v[0, 0] = -123
df
A B
a 1 4
b 2 5
c 3 6
Если вам нужно сохранить dtypes...
Как показано в другом ответе, DataFrame.to_records - хороший способ сделать это.
df.to_records()
# rec.array([('a', -1, 4), ('b', 2, 5), ('c', 3, 6)],
# dtype=[('index', 'O'), ('A', '<i8'), ('B', '<i8')])
К сожалению, этого нельзя сделать с помощью to_numpy. Однако, в качестве альтернативы, вы можете использовать np.rec.fromrecords:
v = df.reset_index()
np.rec.fromrecords(v, names=v.columns.tolist())
# rec.array([('a', -1, 4), ('b', 2, 5), ('c', 3, 6)],
# dtype=[('index', '<U1'), ('A', '<i8'), ('B', '<i8')])
С точки зрения производительности, это почти то же самое (на самом деле, использование rec.fromrecords немного быстрее).
df2 = pd.concat([df] * 10000)
%timeit df2.to_records()
%%timeit
v = df2.reset_index()
np.rec.fromrecords(v, names=v.columns.tolist())
11.1 ms ± 557 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
9.67 ms ± 126 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
to_numpy() (в дополнение к array) был добавлен в результате обсуждений в двух выпусках GitHub GH19954 и GH23623.
В частности, в документах упоминается обоснование:
[...] с
.valuesбыло неясно, будет ли возвращаемое значение фактическим массивом, некоторым его преобразованием или одним из пользовательских массивов панд (например,Categorical). Например, сPeriodIndex,.valuesкаждый раз генерирует новыйndarrayобъектов периода. [...]
Цель to_numpy - улучшить согласованность API, что является важным шагом в правильном направлении. .values не будет устаревшей в текущей версии, но я ожидаю, что это может произойти в какой-то момент в будущем, поэтому я настоятельно рекомендую пользователям перейти на более новый API, как только вы сможете.
DataFrame.values имеет противоречивое поведение, как уже отмечалось.
DataFrame.get_values() - это просто оболочка для DataFrame.values, поэтому все сказанное выше применимо.
DataFrame.as_matrix() устарела, НЕ используйте!
Вы можете использовать метод to_records, но вам придется немного поиграть с dtypes, если они не то, что вы хотите от get go. В моем случае, скопировав ваш DF из строки, тип индекса является строкой (представлен object dtype в pandas):
In [102]: df
Out[102]:
label A B C
ID
1 NaN 0.2 NaN
2 NaN NaN 0.5
3 NaN 0.2 0.5
4 0.1 0.2 NaN
5 0.1 0.2 0.5
6 0.1 NaN 0.5
7 0.1 NaN NaN
In [103]: df.index.dtype
Out[103]: dtype('object')
In [104]: df.to_records()
Out[104]:
rec.array([(1, nan, 0.2, nan), (2, nan, nan, 0.5), (3, nan, 0.2, 0.5),
(4, 0.1, 0.2, nan), (5, 0.1, 0.2, 0.5), (6, 0.1, nan, 0.5),
(7, 0.1, nan, nan)],
dtype=[('index', '|O8'), ('A', '<f8'), ('B', '<f8'), ('C', '<f8')])
In [106]: df.to_records().dtype
Out[106]: dtype([('index', '|O8'), ('A', '<f8'), ('B', '<f8'), ('C', '<f8')])
Преобразование возвращаемого dtype не работает для меня, но уже можно сделать это в Pandas:
In [109]: df.index = df.index.astype('i8')
In [111]: df.to_records().view([('ID', '<i8'), ('A', '<f8'), ('B', '<f8'), ('C', '<f8')])
Out[111]:
rec.array([(1, nan, 0.2, nan), (2, nan, nan, 0.5), (3, nan, 0.2, 0.5),
(4, 0.1, 0.2, nan), (5, 0.1, 0.2, 0.5), (6, 0.1, nan, 0.5),
(7, 0.1, nan, nan)],
dtype=[('ID', '<i8'), ('A', '<f8'), ('B', '<f8'), ('C', '<f8')])
Обратите внимание, что Pandas не задает имя индекса должным образом (до ID) в массиве экспортированных записей (ошибка?), поэтому мы получаем прибыль от преобразования типов, чтобы также исправить это.
В настоящий момент Pandas имеет только 8-байтовые целые числа, i8 и плавает, f8 (см. этот issue).
Кажется, что df.to_records() будет работать для вас. Точная функция, которую вы искали, была запрошена, и to_records указали в качестве альтернативы.
Я попробовал это локально, используя ваш пример, и этот вызов дает нечто очень похожее на результат, который вы искали:
rec.array([(1, nan, 0.2, nan), (2, nan, nan, 0.5), (3, nan, 0.2, 0.5),
(4, 0.1, 0.2, nan), (5, 0.1, 0.2, 0.5), (6, 0.1, nan, 0.5),
(7, 0.1, nan, nan)],
dtype=[(u'ID', '<i8'), (u'A', '<f8'), (u'B', '<f8'), (u'C', '<f8')])
Обратите внимание, что это recarray а не array. Вы можете переместить результат в обычный массив numpy, вызвав его конструктор как np.array(df.to_records()).
Вот мой подход к созданию массива структуры из pandas DataFrame.
Создайте фрейм данных
import pandas as pd
import numpy as np
import six
NaN = float('nan')
ID = [1, 2, 3, 4, 5, 6, 7]
A = [NaN, NaN, NaN, 0.1, 0.1, 0.1, 0.1]
B = [0.2, NaN, 0.2, 0.2, 0.2, NaN, NaN]
C = [NaN, 0.5, 0.5, NaN, 0.5, 0.5, NaN]
columns = {'A':A, 'B':B, 'C':C}
df = pd.DataFrame(columns, index=ID)
df.index.name = 'ID'
print(df)
A B C
ID
1 NaN 0.2 NaN
2 NaN NaN 0.5
3 NaN 0.2 0.5
4 0.1 0.2 NaN
5 0.1 0.2 0.5
6 0.1 NaN 0.5
7 0.1 NaN NaN
Определите функцию для создания массива массив numpy (а не массива записей) из pandas DataFrame.
def df_to_sarray(df):
"""
Convert a pandas DataFrame object to a numpy structured array.
This is functionally equivalent to but more efficient than
np.array(df.to_array())
:param df: the data frame to convert
:return: a numpy structured array representation of df
"""
v = df.values
cols = df.columns
if six.PY2: # python 2 needs .encode() but 3 does not
types = [(cols[i].encode(), df[k].dtype.type) for (i, k) in enumerate(cols)]
else:
types = [(cols[i], df[k].dtype.type) for (i, k) in enumerate(cols)]
dtype = np.dtype(types)
z = np.zeros(v.shape[0], dtype)
for (i, k) in enumerate(z.dtype.names):
z[k] = v[:, i]
return z
Используйте reset_index, чтобы создать новый фрейм данных, который включает индекс как часть его данных. Преобразуйте этот кадр данных в структурный массив.
sa = df_to_sarray(df.reset_index())
sa
array([(1L, nan, 0.2, nan), (2L, nan, nan, 0.5), (3L, nan, 0.2, 0.5),
(4L, 0.1, 0.2, nan), (5L, 0.1, 0.2, 0.5), (6L, 0.1, nan, 0.5),
(7L, 0.1, nan, nan)],
dtype=[('ID', '<i8'), ('A', '<f8'), ('B', '<f8'), ('C', '<f8')])
EDIT: Обновлен df_to_sarray, чтобы избежать вызова ошибки .encode() с помощью python 3. Благодаря Джозефу Гарвину и halcyon для их комментариев и решений.
Два способа преобразовать фрейм данных в его представление массива Numpy.
mah_np_array = df.as_matrix(columns=None)
mah_np_array = df.values
Документ: https://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.as_matrix.html.
Более простой способ для примера DataFrame:
df
gbm nnet reg
0 12.097439 12.047437 12.100953
1 12.109811 12.070209 12.095288
2 11.720734 11.622139 11.740523
3 11.824557 11.926414 11.926527
4 11.800868 11.727730 11.729737
5 12.490984 12.502440 12.530894
ОБЛАСТЬ ПРИМЕНЕНИЯ:
np.array(df.to_records().view(type=np.matrix))
ПОЛУЧИТЬ:
array([[(0, 12.097439 , 12.047437, 12.10095324),
(1, 12.10981081, 12.070209, 12.09528824),
(2, 11.72073428, 11.622139, 11.74052253),
(3, 11.82455653, 11.926414, 11.92652727),
(4, 11.80086775, 11.72773 , 11.72973699),
(5, 12.49098389, 12.50244 , 12.53089367)]],
dtype=(numpy.record, [('index', '<i8'), ('gbm', '<f8'), ('nnet', '<f4'),
('reg', '<f8')]))
Просто была похожая проблема при экспорте из фрейма данных в таблицу arcgis и наткнулся на решение от usgs (https://my.usgs.gov/confluence/display/cdi/pandas.DataFrame+to+ArcGIS+Table). Короче говоря, у вашей проблемы есть похожее решение:
df
A B C
ID
1 NaN 0.2 NaN
2 NaN NaN 0.5
3 NaN 0.2 0.5
4 0.1 0.2 NaN
5 0.1 0.2 0.5
6 0.1 NaN 0.5
7 0.1 NaN NaN
np_data = np.array(np.rec.fromrecords(df.values))
np_names = df.dtypes.index.tolist()
np_data.dtype.names = tuple([name.encode('UTF8') for name in np_names])
np_data
array([( nan, 0.2, nan), ( nan, nan, 0.5), ( nan, 0.2, 0.5),
( 0.1, 0.2, nan), ( 0.1, 0.2, 0.5), ( 0.1, nan, 0.5),
( 0.1, nan, nan)],
dtype=(numpy.record, [('A', '<f8'), ('B', '<f8'), ('C', '<f8')]))
В дополнение к ответу meteore, я нашел код
df.index = df.index.astype('i8')
не работает для меня. Поэтому я поставил свой код здесь для удобства других людей, придерживающихся этой проблемы.
city_cluster_df = pd.read_csv(text_filepath, encoding='utf-8')
# the field 'city_en' is a string, when converted to Numpy array, it will be an object
city_cluster_arr = city_cluster_df[['city_en','lat','lon','cluster','cluster_filtered']].to_records()
descr=city_cluster_arr.dtype.descr
# change the field 'city_en' to string type (the index for 'city_en' here is 1 because before the field is the row index of dataframe)
descr[1]=(descr[1][0], "S20")
newArr=city_cluster_arr.astype(np.dtype(descr))
Спасибо, что ответ Фил, это здорово.
ответ для
не работает для меня, ошибка: TypeError: тип данных не понят - Joseph Garvin 13 февраля в 17:55
Я использую python 3 и получаю ту же ошибку. а затем я удаляю .encode(), тогда выражение выглядит следующим образом.
types = [(cols[i], df[k].dtype.type) for (i, k) in enumerate(cols)]
тогда он работает.
Напишите to_numpy вместо to_numpy() чтобы сохранить dtypes.
Попробуй это:
a = numpy.asarray(df)
Я прошел ответы выше. Метод as_matrix() работает, но сейчас он устарел. Для меня то, что сработало, было " .to_numpy() ".
Это возвращает многомерный массив. Я предпочитаю использовать этот метод, если вы читаете данные из таблицы Excel и вам нужен доступ к данным из любого индекса. Надеюсь это поможет :)