python - 在特定条件下连接两个数组？

Question

我需要连接两个大小不等的数组:

数组 1:

A = ["year","month","day","hour","minute","second", "a", "b", "c", "d"]
data1 = pd.read_csv('event_5.txt',sep='\t',names=A)
array1=data1[['year', 'month', 'day']]

数组 2:

B=["station", "phase", "hour", "minute", "second"]
arr_data = pd.read_csv('arrival_5.txt',sep='\t',names=B)
ar_t= arr_data[['hour', 'minute', 'second']]
array2 = pd.DataFrame(ar_t)

所需的输出如下所示:这里，[2019 11 9] 是 array-1 reshape 以匹配第二个数组的维度，然后连接。但是，在 reshape 的情况下，我每次都需要检查第二个数组的维度。因此，我需要一个可以连接不相等数组的自动化脚本。

Array-1:第一个数组始终具有相同的维度

        year  month  day
     0  2019     11    9

Array-2:可变维度列是固定的，但每次迭代时行都会改变:

    hour  minute  second
0     14      57   41.80
1     14      58    3.47
2     14      57   25.99
3     14      57   37.00
4     14      57   29.86
5     14      57   40.24
6     14      57   32.61
7     14      57   42.26
8     14      57   29.74
9     14      57   42.36
10    14      57   46.00
11    14      58    8.69
12    14      57   34.50
13    14      57   48.97
14    14      57   30.30
15    14      57   39.78
16    14      57   32.45
17    14      57   47.83
18    14      57   25.86
19    14      57   36.30
20    14      57   17.90
21    14      57   23.40
22    14      57   34.64
23    14      57   50.95
24    14      57   35.90
25    14      57   50.64

要求的输出:

  Year  month  day  hour  minute  second
0   2019     11    9    14      57   41.80
1   2019     11    9    14      58    3.47
2   2019     11    9    14      57   25.99
3   2019     11    9    14      57   37.00
4   2019     11    9    14      57   29.86
5   2019     11    9    14      57   40.24
6   2019     11    9    14      57   32.61
7   2019     11    9    14      57   42.26
8   2019     11    9    14      57   29.74
9   2019     11    9    14      57   42.36
10  2019     11    9    14      57   46.00
11  2019     11    9    14      58    8.69
12  2019     11    9    14      57   34.50
13  2019     11    9    14      57   48.97
14  2019     11    9    14      57   30.30
15  2019     11    9    14      57   39.78
16  2019     11    9    14      57   32.45
17  2019     11    9    14      57   47.83
18  2019     11    9    14      57   25.86
19  2019     11    9    14      57   36.30
20  2019     11    9    14      57   17.90
21  2019     11    9    14      57   23.40
22  2019     11    9    14      57   34.64
23  2019     11    9    14      57   50.95
24  2019     11    9    14      57   35.90
25  2019     11    9    14      57   50.64

Answer 1

将常量值分配给 DataFrame 列

如果您的第一个数组始终是单行数据框或一维数组，那么您可以只使用 pandas 为列分配常量值。

语法是my_dataframe["new_column"] = constant_value。

因为 arr1 是一个 DataFrame，访问一个列将给我们一个 Series。然后，为了获得它的常量值，我们需要取索引为 0 或第一行的单元格中的值。

在你的情况下，这变成了:

>>> type(arr1), type(arr2)
(pandas.core.frame.DataFrame, pandas.core.frame.DataFrame)
>>> arr2["year"] = arr1["year"].loc[0]
>>> arr2["month"] = arr1["month"].loc[0]
>>> arr2["day"] = arr1["day"].loc[0]
>>> arr2
    hours  minutes    seconds  year  month  day
0       9        6  22.001464  2019     11    9
1       8       21  28.412044  2019     11    9
2      10        7  22.433552  2019     11    9
3      18       37  19.551359  2019     11    9
4      19        1  40.722019  2019     11    9
..    ...      ...        ...   ...    ...  ...
95      2       16  48.368643  2019     11    9
96     19       22  25.034936  2019     11    9
97     10        0  20.163870  2019     11    9
98     16       35  27.251357  2019     11    9
99      8       26  54.200897  2019     11    9

请记住，这将在原地工作，修改 arr2 对象。

访问DataFrame后面的numpy数组

如果你需要多维数组，你可以调用:

>>> arr2_np = arr2.to_numpy()

根据您的用例对列进行排序

如果你需要对列进行排序，你可以换个角度看，就像这样:

>>> cols = arr2.columns.to_list()
>>> cols2 = cols[3:] + cols[:3]
>>> arr2[cols2] 
    year  month  day  hours  minutes    seconds
0   2019     11    9      9        6  22.001464
1   2019     11    9      8       21  28.412044
2   2019     11    9     10        7  22.433552
3   2019     11    9     18       37  19.551359
4   2019     11    9     19        1  40.722019
..   ...    ...  ...    ...      ...        ...
95  2019     11    9      2       16  48.368643
96  2019     11    9     19       22  25.034936
97  2019     11    9     10        0  20.163870
98  2019     11    9     16       35  27.251357
99  2019     11    9      8       26  54.200897