Python Numpy：基于坐标创建二维值数组

Question

我有一个包含3列的文件，其中前两列是坐标（x，y），第三列是对应于该位置的值（z）。 这是一个简短的示例：

x y z
0 1 14
0 2 17
1 0 15
1 1 16
2 1 18
2 2 13

我想根据文件中的x，y坐标从第三行创建2D值数组。 我将每一列读为一个单独的数组，并使用numpy.meshgrid创建了x值和y值的网格，如下所示：

x = [[0 1 2]    and   y = [[0 0 0]
     [0 1 2]               [1 1 1]
     [0 1 2]]              [2 2 2]]

但是我是Python的新手，不知道如何生成第三个z值网格，如下所示：

z = [[Nan 15 Nan]
     [14  16  18]
     [17  Nan 13]]

用0替换Nan也可以； 我的主要问题是首先创建2D数组。 在此先感谢您的帮助！

Answer 1

假设文件中的x和y值直接对应于索引（如示例中所示），则可以执行以下操作：

import numpy as np

x = [0, 0, 1, 1, 2, 2]
y = [1, 2, 0, 1, 1, 2]
z = [14, 17, 15, 16, 18, 13]

z_array = np.nan * np.empty((3,3))
z_array[y, x] = z

print z_array

产生：

[[ nan  15.  nan]
 [ 14.  16.  18.]
 [ 17.  nan  13.]]

对于大型数组，这将比坐标上的显式循环快得多。

---

处理x和y输入不一致

如果您定期采样x和y点，则可以通过减去网格的“角”（即x0和y0 ），除以像元间距并将其转换为整数来将它们转换为网格索引。 然后，您可以使用上面的方法，也可以在其他任何答案中使用。

作为一般示例：

i = ((y - y0) / dy).astype(int)
j = ((x - x0) / dx).astype(int)

grid[i,j] = z

但是，如果您的数据没有规则排列，则可以使用一些技巧。

假设我们有以下数据：

import numpy as np
import matplotlib.pyplot as plt

np.random.seed(1977)
x, y, z = np.random.random((3, 10))

fig, ax = plt.subplots()
scat = ax.scatter(x, y, c=z, s=200)
fig.colorbar(scat)
ax.margins(0.05)

我们要放入常规的10x10网格中：

我们实际上可以为此使用/滥用np.histogram2d 。 代替计数，我们将其添加到单元格中的每个点的值。 通过指定weights=z, normed=False最容易做到这一点。

import numpy as np
import matplotlib.pyplot as plt

np.random.seed(1977)
x, y, z = np.random.random((3, 10))

# Bin the data onto a 10x10 grid
# Have to reverse x & y due to row-first indexing
zi, yi, xi = np.histogram2d(y, x, bins=(10,10), weights=z, normed=False)
zi = np.ma.masked_equal(zi, 0)

fig, ax = plt.subplots()
ax.pcolormesh(xi, yi, zi, edgecolors='black')
scat = ax.scatter(x, y, c=z, s=200)
fig.colorbar(scat)
ax.margins(0.05)

plt.show()

但是，如果我们有大量的点，则某些箱将具有多个点。 np.histogram的weights参数仅添加值。 在这种情况下，这可能不是您想要的。 尽管如此，我们可以通过除以计数来获得每个单元格中落点的平均值。

举例来说，假设我们有50分：

import numpy as np
import matplotlib.pyplot as plt

np.random.seed(1977)
x, y, z = np.random.random((3, 50))

# Bin the data onto a 10x10 grid
# Have to reverse x & y due to row-first indexing
zi, yi, xi = np.histogram2d(y, x, bins=(10,10), weights=z, normed=False)
counts, _, _ = np.histogram2d(y, x, bins=(10,10))

zi = zi / counts
zi = np.ma.masked_invalid(zi)

fig, ax = plt.subplots()
ax.pcolormesh(xi, yi, zi, edgecolors='black')
scat = ax.scatter(x, y, c=z, s=200)
fig.colorbar(scat)
ax.margins(0.05)

plt.show()

点数非常多时，这种精确的方法会变慢（并且可以轻松加速），但对于少于1e6点的东西就足够了。

Answer 2

您可以尝试类似：

import numpy as np

x = [0, 0, 1, 1, 2, 2]
y = [1, 2, 0, 1, 1, 2]
z = [14, 17, 15, 16, 18, 13]

arr = np.zeros((3,3))
yx = zip(y,x)

for i, coord in enumerate(yx):
    arr[coord] = z[i]

print arr
>>> [[  0.  15.   0.]
     [ 14.  16.  18.]
     [ 17.   0.  13.]]

Answer 3

Kezzos击败了我，但我采取了类似的方法，

x = np.array([0,0,1,1,2,2])
y = np.array([1,2,0,1,1,2])
z = np.array([14,17,15,16,18,13])
Z = np.zeros((3,3))
for i,j in enumerate(zip(x,y)): 
    Z[j] = z[i]

Z[np.where(Z==0)] = np.nan

Answer 4

如果您安装了scipy ，则可以利用其sparse矩阵模块。 使用genfromtxt从文本文件中获取值，然后将这些“列”直接插入sparse矩阵创建器中。

In [545]: txt=b"""x y z
0 1 14
0 2 17
1 0 15
1 1 16
2 1 18
2 2 13
"""

In [546]: xyz=np.genfromtxt(txt.splitlines(),names=True,dtype=int)

In [547]: sparse.coo_matrix((xyz['z'],(xyz['y'],xyz['x']))).A     
Out[547]: 
array([[ 0, 15,  0],
       [14, 16, 18],
       [17,  0, 13]])

但是乔的z_array=np.zeros((3,3),int); z_array[xyz['y'],xyz['x']]=xyz['z'] z_array=np.zeros((3,3),int); z_array[xyz['y'],xyz['x']]=xyz['z']的速度要快得多。

Answer 5

别人的好答案。 认为这对于可能需要此功能的其他人可能是有用的代码段。

def make_grid(x, y, z):
    '''
    Takes x, y, z values as lists and returns a 2D numpy array
    '''
    dx = abs(np.sort(list(set(x)))[1] - np.sort(list(set(x)))[0])
    dy = abs(np.sort(list(set(y)))[1] - np.sort(list(set(y)))[0])
    i = ((x - min(x)) / dx).astype(int) # Longitudes
    j = ((y - max(y)) / dy).astype(int) # Latitudes
    grid = np.nan * np.empty((len(set(j)),len(set(i))))
    grid[-j, i] = z # if using latitude and longitude (for WGS/West)
    return grid