python - python 中用于存储命名数据的 3 维立方体的最佳数据结构

Question

我想要一些关于我选择的数据结构的反馈。我有一个特定电压值的 2D X-Y 电流值网格。我有几个电压阶跃，并将数据组织到 X-Y-电压立方体中。我在这里说明了轴:/image/iS7tW.jpg .

我目前在 python 字典中使用 numpy 数组来处理我正在扫描的不同类型的晶体管。我不确定这是否是最好的方法。我看过 Pandas，但我也不确定这对 Pandas 来说是否是一份好工作。希望有人能帮助我，这样我就可以学习Pythonic了!生成一些测试数据的代码和最终结构如下。

谢谢!

import numpy as np

#make test data

test__transistor_data0 = {"SNMOS":np.random.randn(3,256,256),"SPMOS":np.random.randn(4,256,256), "WPMOS":np.random.randn(6,256,256),"WNMOS":np.random.randn(6,256,256)}
test__transistor_data1 = {"SNMOS":np.random.randn(3,256,256), "SPMOS":np.random.randn(4,256,256), "WPMOS":np.random.randn(6,256,256), "WNMOS":np.random.randn(6,256,256)}
test__transistor_data2 = {"SNMOS":np.random.randn(3,256,256), "SPMOS":np.random.randn(4,256,256), "WPMOS":np.random.randn(6,256,256), "WNMOS":np.random.randn(6,256,256)}
test__transistor_data3 = {"SNMOS":np.random.randn(3,256,256), "SPMOS":np.random.randn(4,256,256), "WPMOS":np.random.randn(6,256,256), "WNMOS":np.random.randn(6,256,256)}


quadrant_data = {"ne":test__transistor_data0,"nw":test__transistor_data1,"sw":test__transistor_data2,"se":test__transistor_data3} 

Answer 1

可能值得一看 xarray ，它类似于(并且部分基于)pandas，但专为 N 维数据而设计。

它的两个基本容器是一个DataArray(一个带标签的 ND 数组)和一个Dataset(它是一个 DataArray 的容器)。

In [29]: s1 = xray.DataArray(np.random.randn(3,256,256), dims=['voltage', 'x', 'y'])

In [30]: s2 = xray.DataArray(np.random.randn(3,256,256), dims=['voltage', 'x', 'y'])

In [32]: ds = xray.Dataset({'SNMOS': s1, 'SPMOS': s2})

In [33]: ds
Out[33]: 
<xray.Dataset>
Dimensions:  (voltage: 3, x: 256, y: 256)
Coordinates:
  * voltage  (voltage) int64 0 1 2
  * x        (x) int64 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 ...
  * y        (y) int64 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 ...
Data variables:
    SPMOS    (voltage, x, y) float64 -1.363 2.446 0.3585 -0.8243 -0.814 ...
    SNMOS    (voltage, x, y) float64 1.07 2.327 -1.435 0.4011 0.2379 2.07 ...

这两个容器都有很多不错的功能(请参阅文档)，例如，如果您想知道每个传输器在第一个电压级别的 x 最大值，则可以是像这样的东西:

In [39]: ds.sel(voltage=0).max(dim='x').max()
Out[39]: 
<xray.Dataset>
Dimensions:  ()
Coordinates:
    *empty*
Data variables:
    SPMOS    float64 4.175
    SNMOS    float64 4.302