Numpy或Python存儲字典

Question

我想存儲多維數組，其中存儲了類似python字典的東西。 目前，它看起來像：

a = [[{'col':i,'row':j} for i in range(9)] for j in range(9)] 

我知道numpy的是完美的，如果你想要做數學喜歡與矩陣的工作。 事情我想這樣做快：

• 使用多維指標

通過多維指標訪問

改變價值觀和我不知道該怎麼做，與普通的Python名單。導致類似於

idx = [2,3] 
print(a[idx]) 

不存在對吧？ 它應該outprint {'row':2,'col':3}

感謝您的想法，如果numpy是更好的選擇：如何創建一個像列表類型的值的二維numpy數組？ 有沒有辦法使用dtype=dict？

Answer 1

所以你a是一個列表的列表：

In [656]: a = [[{'col':i,'row':j} for i in range(9)] for j in range(9)] 
In [657]: a 
Out[657]: 
[[{'col': 0, 'row': 0}, 
    {'col': 1, 'row': 0}, 
    {'col': 2, 'row': 0}, 
    .... 
In [658]: len(a) 
Out[658]: 9 
In [659]: a[2][3] 
Out[659]: {'col': 3, 'row': 2} 

從創建一個數組：

In [660]: A=np.array(a, dtype=object) 
In [661]: A.shape 
Out[661]: (9, 9) 
In [662]: A 
Out[662]: 
array([[{'row': 0, 'col': 0}, {'row': 0, 'col': 1}, {'row': 0, 'col': 2}, 
     {'row': 0, 'col': 3}, {'row': 0, 'col': 4}, {'row': 0, 'col': 5}, 

In [663]: A[2,3] 
Out[663]: {'col': 3, 'row': 2} 

使用a[2][3]和A[2,3]訪問一個字典之間沒有太大的區別。兩者都包含指向相同字典的指針

In [664]: A[3,2]['value']=23 # add a key to one; see change in both places 
In [666]: A[3,2] 
Out[666]: {'col': 2, 'row': 3, 'value': 23} 
In [667]: a[3][2] 
Out[667]: {'col': 2, 'row': 3, 'value': 23} 

我可以重塑A， A1=A.reshape(3,27)，但這不會影響列表嵌套a。我可以「扁平化」兩種搭配：

In [671]: aflat=list(itertools.chain(*a)) # new list, same dict 
In [672]: len(aflat) 
Out[672]: 81 
In [673]: A.ravel().shape  # a view A.flatten() for copy 
Out[673]: (81,) 

我能找到與列表理解額外關鍵的字典之一：

In [674]: [a for a in aflat if len(a)==3] 
Out[674]: [{'col': 2, 'row': 3, 'value': 23}] 
In [675]: [a for a in A.ravel() if len(a)==3] 
Out[675]: [{'col': 2, 'row': 3, 'value': 23}] 

有時對象dtypes它可以執行有限數量的數組數學，但這取決於向下傳播到對象的操作。我想不出任何會用字典做的事情。

因此對於字典對象，使用嵌套列表和對象數組之間沒有太大區別。

---

數組索引通常的規則：

In [676]: idx=[2,3] 
In [677]: A[idx] # (2,9) array of dict 
Out[677]: 
array([[{'row': 2, 'col': 0}, ...{'row': 3, 'col': 8}]], dtype=object) 
In [678]: A[tuple(idx)]  # 1 dict 
Out[678]: {'col': 3, 'row': 2} 

---

結構陣列的方法，使用fields具有相同的名稱作爲您的字典鍵。

In [681]: dt=np.dtype([('col',int),('row',int)]) 
In [687]: S = np.array([[(i,j) for i in range(3)] for j in range(3)],dtype=dt) 
In [688]: S.shape 
Out[688]: (3, 3) 
In [689]: S 
Out[689]: 
array([[(0, 0), (1, 0), (2, 0)], 
     [(0, 1), (1, 1), (2, 1)], 
     [(0, 2), (1, 2), (2, 2)]], 
     dtype=[('col', '<i4'), ('row', '<i4')]) 
In [691]: S[2,2] 
Out[691]: (2, 2) 
In [692]: S['col'] 
Out[692]: 
array([[0, 1, 2], 
     [0, 1, 2], 
     [0, 1, 2]]) 
In [694]: S[0,2]['row'] 
Out[694]: 0