0

假设我有一个这样的数据集

nx1, nx2, nx3 = 5, 3, 20

ds = xray.Dataset()
ds.coords.update({'x1': ('x1', range(nx1)), 
                  'x2': ('x2', range(nx2)), 
                  'x3': ('x3', range(nx3))})

ds['A'] = (['x1', 'x2', 'x3'], np.random.randn(nx1, nx2, nx3))
ds['B'] = (['x1', 'x2', 'x3'], np.random.randn(nx1, nx2, nx3))

以及一个func将 A 和 B 作为输入变量的函数,但它沿x3维度工作,只接受 shape 数组(nx3,),并输出 shape 数组(nx3,)。如果我想将此函数应用于上述数据集并将结果另存为一个名为 C 的新变量,请按照以下方式进行操作,

required_shape = (len(ds.coords['x1']), 
                  len(ds.coords['x2']),
                  len(ds.coords['x3']))

if 'C' not in ds:
    ds.update({'C': (['x1', 'x2', 'x3'], np.zeros(required_shape))})

for ix1, x1 in enumerate(ds.coords['x1']):
    for ix2, x2 in enumerate(ds.coords['x2']):
        args = dict(x1=ix1, x2=ix2)
        a = ds['A'][args]
        b = ds['B'][args]
        c = func(a.values, b.values)
        ds['C'][args] = c

通过在数据集中初始化一个新数组并在其他维度上使用 for 循环?

4

1 回答 1

0

我对 pandas 不是很感兴趣,但是对于其他数据类型的一般解决方案也是使用推导式,并摆脱嵌套循环和初始化步骤。

required_shape = (len(ds.coords['x1']), 
                  len(ds.coords['x2']),
                  len(ds.coords['x3']))

ds['C'] = (['x1', 'x2', 'x3'], np.array([
    func(ds['A'][args].values, ds['B'][args].values)
    for ix1, x1 in enumerate(ds.coords['x1'])
    for ix2, x2 in enumerate(ds.coords['x2'])
    for args in (dict(x1=ix1, x2=ix2),)]).reshape(required_shape))

编辑:顺便说一句,

ds['C'] = func(ds['A'], ds['B'])

似乎工作得很好,对于一个简单的功能,如:

def func(a, b):
    return a + b
于 2016-01-29T09:54:20.157 回答