У меня есть данные, которые в настоящее время структурированы следующим образом в Matlab
item{i}.attribute1(2,j)
Где элемент - ячейка из я = 1.. n, каждая из которых содержит структуру данных из нескольких атрибутов, каждая из которых имеет размер матрицы 2, j, где j = 1.. m. Число атрибутов не фиксировано.
Мне нужно перевести эту структуру данных на python, но я новичок в списках numpy и python. Каков наилучший способ структурирования этих данных в python с помощью numpy/scipy?
Спасибо.
Я часто видел следующие подходы к преобразованию:
массив matlab → массив python numpy
Матовая ячейка ячейки → список python
Структура matlab → python dict
Итак, в вашем случае это будет соответствовать списку python, содержащему dicts, которые сами содержат массивы numpy в качестве записей
item[i]['attribute1'][2,j]
Примечание
Не забывайте 0-индексацию в python!
[Обновление]
Дополнительно: использование классов
В дополнение к простому преобразованию, приведенному выше, вы также можете определить фиктивный класс, например.
class structtype():
pass
Это позволяет использовать следующий тип использования:
>> s1 = structtype()
>> print s1.a
---------------------------------------------------------------------------
AttributeError Traceback (most recent call last)
<ipython-input-40-7734865fddd4> in <module>()
----> 1 print s1.a
AttributeError: structtype instance has no attribute 'a'
>> s1.a=10
>> print s1.a
10
Ваш пример в этом случае будет, например.
>> item = [ structtype() for i in range(10)]
>> item[9].a = numpy.array([1,2,3])
>> item[9].a[1]
2
Если вы ищете хороший пример создания структурированного массива в Python, как это делается в MATLAB, вам может потребоваться посмотреть скудную домашнюю страницу (basics.rec).
x = np.zeros(1, dtype = [('Table', float64, (2, 2)),
('Number', float),
('String', '|S10')])
# Populate the array
x['Table'] = [1, 2]
x['Number'] = 23.5
x['String'] = 'Stringli'
# See what is written to the array
print(x)
Печатный результат:
[([[1.0, 2.0], [1.0, 2.0]], 23.5, 'Stringli')]
К сожалению, я не узнал, как вы можете определить структурированный массив, не зная размер структурированного массива. Вы также можете определить массив непосредственно с его содержимым.
x = np.array(([[1, 2], [1, 2]], 23.5, 'Stringli'),
dtype = [('Table', float64, (2, 2)),
('Number', float),
('String', '|S10')])
# Same result as above but less code (if you know the contents in advance)
print(x)
Для некоторых приложений достаточно dict или списка словарей. Однако, если вы действительно хотите эмулировать MATLAB struct в Python, вам нужно воспользоваться преимуществами его ООП и сформировать свой собственный структурный класс.
Это простой пример, например, который позволяет хранить произвольное количество переменных в качестве атрибутов и также может быть инициализирован как пустой (только Python 3.x). i - это индексатор, который показывает, сколько атрибутов хранится внутри объекта:
class Struct:
def __init__(self, *args, prefix='arg'): # constructor
self.prefix = prefix
if len(args) == 0:
self.i = 0
else:
i=0
for arg in args:
i+=1
arg_str = prefix + str(i)
# store arguments as attributes
setattr(self, arg_str, arg) #self.arg1 = <value>
self.i = i
def add(self, arg):
self.i += 1
arg_str = self.prefix + str(self.i)
setattr(self, arg_str, arg)
Вы можете инициализировать его пустым (i = 0) или заполнить его начальными атрибутами. Затем вы можете добавить атрибуты по желанию. Попытка сделать следующее:
b = Struct(5, -99.99, [1,5,15,20], 'sample', {'key1':5, 'key2':-100})
b.add(150.0001)
print(b.__dict__)
print(type(b.arg3))
print(b.arg3[0:2])
print(b.arg5['key1'])
c = Struct(prefix='foo')
print(c.i) # empty Struct
c.add(500) # add a value as foo1
print(c.__dict__)
получит вам эти результаты для объекта b:
{'prefix': 'arg', 'arg1': 5, 'arg2': -99.99, 'arg3': [1, 5, 15, 20], 'arg4': 'sample', 'arg5': {'key1': 5, 'key2': -100}, 'i': 6, 'arg6': 150.0001}
<class 'list'>
[1, 5]
5
и для объекта c:
0
{'prefix': 'foo', 'i': 1, 'foo1': 500}
Обратите внимание, что назначение атрибутов объектам является общим - оно не только ограничено объектами scipy/numpy, но применимо ко всем типам данных и пользовательским объектам (массивам, фреймам данных и т.д.). Конечно, это игрушечная модель - вы можете ее доработать, чтобы ее можно было индексировать, печатать, печатать, удалять элементы, вызывать и т.д. В зависимости от потребностей вашего проекта. Просто определите класс в начале, а затем используйте его для хранения-поиска. В том, что красота Python - это не совсем то, что вы ищете, особенно если вы приехали из MATLAB, но он может сделать гораздо больше!