复杂的 NumPy 数组操作

Question

我有两个 numpy 数组： 例如

np.array_1([
[5,2,0]
[4,3,0]
[4,2,0]
[3,2,1]
[4,1,1]
])

np.array_2([
[5,2,10]
[4,2,52]
[3,2,80]
[1,2,4]
[5,3,6]
])

在 np.array_1 中，索引 2 处的 0 和 1 代表两个不同的类别。为了论证起见，说 0 = 红色和 1 = 蓝色。

所以，如果前两个元素在两个 numpy 数组中匹配，我需要按类别平均 np.array_2 中的第三个元素。例如，[5,2,10] 和 [4,2,52] 都与类别 0 匹配，即红色。该代码将返回 Red 类别的索引 2 处元素的平均值。 Blue 类别也同样如此。

我不知道从哪里开始，欢迎任何想法。

Answer 1

由于源数组的类型，您使用 Numpy 标签标记了您的帖子， 但是使用 Pandas 生成结果更容易和直观。

从将两个数组转换为 pandasonic DataFrames 开始。 在转换第一个数组时，最后一个数组也转换 0 和 1 Red 和 Blue 列：

import pandas as pd

df1 = pd.DataFrame(array_1, columns=['A', 'B', 'key'])
df1.key.replace({0: 'Red', 1: 'Blue'}, inplace=True)
df2 = pd.DataFrame(array_2, columns=['A', 'B', 'C'])

然后，要生成结果，运行：

result = df2.merge(df1, on=['A', 'B']).groupby('key').C.mean().rename('Mean')

结果是：

key
Blue    80
Red     31
Name: Mean, dtype: int32

详情：

1. df2.merge(df1, on=['A', 'B']) - 生成：

      A  B   C   key
   0  5  2  10   Red
   1  4  2  52   Red
   2  3  2  80  Blue
   

   同时消除不属于任何组的行 （既不是 Red 也不是 Blue）。

2. groupby('key') - 根据上面的结果，通过key生成分组 （红色 / 蓝色）。

3. C.mean() - 最后一步是取 C 列（来自每个组） 并计算其均值。

4. 结果是一个系列：

   • index - 分组键，
   • value - 为相应组计算的值。

5. rename('Mean') - 从源列名称更改名称 (C) 到一个更有意义的Mean。