Используйте статический метод, когда вы хотите иметь доступ к методу без экземпляра класса.
Относительно новая библиотека xray [1] имеет структуры Dataset
и DataArray
, которые выполняют именно то, что вы просите.
Вот мой вопрос по вашей проблеме , написанный как сеанс IPython :
>>> import numpy as np
>>> import xray
>>> ## Prepare data:
>>> #
>>> point = {'x': np.array(-0.47652306228698005),
... 'y': np.array([[-0.41809043],
... [ 0.48407823]])}
>>> points = 10 * [point]
>>> ## Convert to Xray DataArrays:
>>> #
>>> list_x = [p['x'] for p in points]
>>> list_y = [p['y'] for p in points]
>>> da_x = xray.DataArray(list_x, [('x', range(len(list_x)))])
>>> da_y = xray.DataArray(list_y, [
... ('x', range(len(list_y))),
... ('y0', range(2)),
... ('y1', [0]),
... ])
Это два экземпляра DataArray
, которые мы создали до сих пор:
>>> print(da_x)
<xray.DataArray (x: 10)>
array([-0.47652306, -0.47652306, -0.47652306, -0.47652306, -0.47652306,
-0.47652306, -0.47652306, -0.47652306, -0.47652306, -0.47652306])
Coordinates:
* x (x) int32 0 1 2 3 4 5 6 7 8 9
>>> print(da_y.T) ## Transposed, to save lines.
<xray.DataArray (y1: 1, y0: 2, x: 10)>
array([[[-0.41809043, -0.41809043, -0.41809043, -0.41809043, -0.41809043,
-0.41809043, -0.41809043, -0.41809043, -0.41809043, -0.41809043],
[ 0.48407823, 0.48407823, 0.48407823, 0.48407823, 0.48407823,
0.48407823, 0.48407823, 0.48407823, 0.48407823, 0.48407823]]])
Coordinates:
* x (x) int32 0 1 2 3 4 5 6 7 8 9
* y0 (y0) int32 0 1
* y1 (y1) int32 0
Теперь мы можем объедините эти два DataArray
в своей общей размерности x
в DataSet
:
>>> ds = xray.Dataset({'X':da_x, 'Y':da_y})
>>> print(ds)
<xray.Dataset>
Dimensions: (x: 10, y0: 2, y1: 1)
Coordinates:
* x (x) int32 0 1 2 3 4 5 6 7 8 9
* y0 (y0) int32 0 1
* y1 (y1) int32 0
Data variables:
X (x) float64 -0.4765 -0.4765 -0.4765 -0.4765 -0.4765 -0.4765 -0.4765 ...
Y (x, y0, y1) float64 -0.4181 0.4841 -0.4181 0.4841 -0.4181 0.4841 -0.4181 ...
И мы можем, наконец, получить доступ и агрегировать данные так, как вы хотели:
>>> ds['X'].sum()
<xray.DataArray 'X' ()>
array(-4.765230622869801)
>>> ds['Y'].sum()
<xray.DataArray 'Y' ()>
array(0.659878)
>>> ds['Y'].sum(axis=1)
<xray.DataArray 'Y' (x: 10, y1: 1)>
array([[ 0.0659878],
[ 0.0659878],
[ 0.0659878],
[ 0.0659878],
[ 0.0659878],
[ 0.0659878],
[ 0.0659878],
[ 0.0659878],
[ 0.0659878],
[ 0.0659878]])
Coordinates:
* x (x) int32 0 1 2 3 4 5 6 7 8 9
* y1 (y1) int32 0
>>> np.all(ds['Y'].sum(axis=1) == ds['Y'].sum(dim='y0'))
True
>>>> ds['X'].sum(dim='y0')
Traceback (most recent call last):
ValueError: 'y0' not found in array dimensions ('x',)
[1] Библиотека для обработки N-мерных данных с метками, например pandas, для 2D: http://xray.readthedocs.org/en/stable/data-structures.html#dataset
Это немного противоречит философии Пандса, которая, похоже, видит Series
как одномерную структуру данных. Поэтому вам нужно создать Series
вручную, сказать им, что у них есть тип данных "object"
. Это означает, что не применяются автоматические преобразования данных.
Вы можете сделать это так (переупорядоченный сеанс Ipython):
In [9]: import pandas as pd
In [1]: point = {'x': array(-0.47652306228698005),
...: 'y': array([[-0.41809043],
...: [ 0.48407823]])}
In [2]: points = 10 * [ point]
In [5]: lx = [p["x"] for p in points]
In [7]: ly = [p["y"] for p in points]
In [40]: sx = pd.Series(lx, dtype=numpy.dtype("object"))
In [38]: sy = pd.Series(ly, dtype=numpy.dtype("object"))
In [43]: df = pd.DataFrame({"x":sx, "y":sy})
In [45]: df['x'][1].shape
Out[45]: ()
In [46]: df['y'][1].shape
Out[46]: (2, 1)
Комбинирование комментария @ Eike's и комментария @ JohnSalvatier кажется довольно Pandasonic :
>>> import pandas as pd
>>> np = pandas.np
>>> point = {'x': np.array(-0.47652306228698005),
... 'y': np.array([[-0.41809043],
... [ 0.48407823]])}
>>> points = 10 * [point] # this creates a list of 10 point dicts
>>> df = pd.DataFrame().append(points)
>>> df.x
# 0 -0.476523062287
# ...
# 9 -0.476523062287
# Name: x, dtype: object
>>> df.y
# 0 [[-0.41809043], [0.48407823]]
# ...
# 9 [[-0.41809043], [0.48407823]]
# Name: y, dtype: object
>>> df.y[0]
# array([[-0.41809043],
# [ 0.48407823]])
>>> df.y[0].shape
# (2, 1)
Чтобы построить (и сделать все остальные интересные 2- D Pandas) вам все равно придется вручную преобразовать столбец массивов обратно в DataFrame:
>>> dfy = pd.DataFrame([row.T[0] for row in df2.y])
>>> dfy += np.matrix([[0] * 10, range(10)]).T
>>> dfy *= np.matrix([range(10), range(10)]).T
>>> dfy.plot()
Чтобы сохранить это на диске, используйте to_pickle
:
>>> df.to_pickle('/tmp/sotest.pickle')
>>> df2 = pd.read_pickle('/tmp/sotest.pickle')
>>> df.y[0].shape
# (2, 1)
Если вы используете to_csv
, ваши np.array
s станут строками:
>>> df.to_csv('/tmp/sotest.csv')
>>> df2 = pd.DataFrame.from_csv('/tmp/sotest.csv')
>>> df2.y[0]
# '[[-0.41809043]\n [ 0.48407823]]'