python - 如何从 Python 中的两个 n 维数组中获取匹配的行？

Question

我有两个 numPy 数组，它们具有不同的行数和相同的列数。每个数组的结构 - 年、月、日、时间、number_of_satellite、value_of_data。每个数组都有不同类型的数据。

我如何比较这两个数组以仅获取两个数组中的公共(public)行，其中比较参数是前 5 列，然后是具有对应值的两列。例如:

A=[('2015', '1', '1', 0.0, 'G06', 46.29)
 ('2015', '1', '1', 0.0, 'G12', 444.344)
 ('2015', '1', '1', 0.0, 'G14', -99.269)
 ('2015', '1', '1', 0.0, 'G20', 6.874)
 ('2015', '1', '1', 0.0, 'G24', 158.488)
 ('2015', '1', '1', 0.0, 'G25', -60.831)
 ('2015', '1', '1', 0.0, 'G31', -48.234)
 ('2015', '1', '1', 0.0, 'R07', -6.243)]

B=[('2015', '1', '1', 0.0, 'G06', '0.000')
 ('2015', '1', '1', 0.0, 'G12', '0.000')
 ('2015', '1', '1', 0.0, 'G14', '0.000')
 ('2015', '1', '1', 0.0, 'G24', '0.000')
 ('2015', '1', '1', 0.0, 'G25', '0.000')
 ('2015', '1', '1', 0.0, 'G29', '0.000')
 ('2015', '1', '1', 0.0, 'G31', '0.000')]

结果，我想得到:

C=[('2015', '1', '1', 0.0, 'G06', 46.29, '0.000')
 ('2015', '1', '1', 0.0, 'G12', 444.344, '0.000')
 ('2015', '1', '1', 0.0, 'G14', -99.269, '0.000')
 ('2015', '1', '1', 0.0, 'G24', 158.488, '0.000')
 ('2015', '1', '1', 0.0, 'G25', -60.831, '0.000')
 ('2015', '1', '1', 0.0, 'G31', -48.234, '0.000')]

我可以使用循环来完成，但当您的数组行数超过 50000 时，这不是有效的解决方案。

Answer 1

在 numpy 代码的死水中，有一个简单的解决方案，recfunctions.join_by。

import numpy as np

A=[('2015', '1', '1', 0.0, 'G06', 46.29),
 ('2015', '1', '1', 0.0, 'G12', 444.344),
 ('2015', '1', '1', 0.0, 'G14', -99.269),
 ('2015', '1', '1', 0.0, 'G20', 6.874),
 ('2015', '1', '1', 0.0, 'G24', 158.488),
 ('2015', '1', '1', 0.0, 'G25', -60.831),
 ('2015', '1', '1', 0.0, 'G31', -48.234),
 ('2015', '1', '1', 0.0, 'R07', -6.243)]

B=[('2015', '1', '1', 0.0, 'G06', '0.000'),
 ('2015', '1', '1', 0.0, 'G12', '0.000'),
 ('2015', '1', '1', 0.0, 'G14', '0.000'),
 ('2015', '1', '1', 0.0, 'G24', '0.000'),
 ('2015', '1', '1', 0.0, 'G25', '0.000'),
 ('2015', '1', '1', 0.0, 'G29', '0.000'),
 ('2015', '1', '1', 0.0, 'G31', '0.000')]

dt=[('a', 'S4'), ('b', 'S1'), ('c', 'S1'), ('d',float), ('e', 'S3'), ('f',float)]
aA=np.array(A,dt)
aB=np.array(B,dt)

flds=list('abcde')

from numpy.lib import recfunctions
mrgd = recfunctions.join_by(flds, aA, aB, usemask=False)
print(mrgd)
print(mrgd.dtype)

生产

[('2015', '1', '1', 0.0, 'G06', 46.29, 0.0)
 ('2015', '1', '1', 0.0, 'G12', 444.344, 0.0)
 ('2015', '1', '1', 0.0, 'G14', -99.269, 0.0)
 ('2015', '1', '1', 0.0, 'G24', 158.488, 0.0)
 ('2015', '1', '1', 0.0, 'G25', -60.831, 0.0)
 ('2015', '1', '1', 0.0, 'G31', -48.234, 0.0)]
[('a', 'S4'), ('b', 'S1'), ('c', 'S1'), ('d', '<f8'), ('e', 'S3'), ('f1', '<f8'), ('f2', '<f8')]

在当前组织中，recfunctions 必须单独导入。 https://stackoverflow.com/a/33680606/901925

我们必须检查代码以了解它是如何实际实现的。而且我不知道，如果没有进一步的计时，速度与等效的 pandas 相比如何。

---

对于这个小样本，recfunctions 比 pandas 更快，特别是如果包括创建数据帧所需的时间。

In [302]: %%timeit 
   .....: a = pd.DataFrame(A)
   .....: b = pd.DataFrame(B)
   .....: c = pd.merge(a, b, 'inner', left_on=[0,1,2,3,4], right_on=[0,1,2,3,4]) 
   .....: 
100 loops, best of 3: 8.01 ms per loop
In [303]: %%timeit
   .....: aA=np.array(A,dt)
   .....: aB=np.array(B,dt)
   .....: aC=recfunctions.join_by(flds, aA, aB,usemask=False)
   .....: 
100 loops, best of 3: 3.35 ms per loop

与像 in1d(不尝试合并)这样的 numpy 集合操作相比，两者都很慢:

In [308]: timeit np.intersect1d(aA[flds],aB[flds])
1000 loops, best of 3: 326 µs per loop