将熊猫数据帧转换为带有标题和数据类型的 numpy 数组

Question

我一直在尝试将 Pandas 数据帧转换为 numpy 数组，携带数据类型和标题名称以便于参考。我需要这样做，因为对 Pandas 的处理太慢了，numpy 快了 10 倍。我有来自 SO 的这段代码，除了结果看起来不像标准的 numpy 数组之外，它还为我提供了我需要的东西 - 即它不显示形状中的列数。

[In]:
df = pd.DataFrame(randn(10,3),columns=['Acol','Ccol','Bcol'])
arr_ip = [tuple(i) for i in df.as_matrix()]
dtyp = np.dtype(list(zip(df.dtypes.index, df.dtypes)))
dfnp= np.array(arr_ip, dtype=dtyp)
print(dfnp.shape)
dfnp

[Out]: 

(10,) #expecting (10,3)

array([(-1.0645345 ,  0.34590193,  0.15063829),
( 1.5010928 ,  0.63312454,  2.38309797),
(-0.10203999, -0.40589525,  0.63262773),
( 0.92725915,  1.07961763,  0.60425353),
( 0.18905164, -0.90602597, -0.27692396),
(-0.48671514,  0.14182815, -0.64240004),
( 0.05012859, -0.01969079, -0.74910076),
( 0.71681329, -0.38473052, -0.57692395),
( 0.60363249, -0.0169229 , -0.16330232),
( 0.04078263,  0.55943898, -0.05783683)],
dtype=[('Acol', '<f8'), ('Ccol', '<f8'), ('Bcol', '<f8')])

我错过了什么还是有其他方法可以做到这一点？我有很多 df 需要转换，它们的数据类型和列名各不相同，所以我需要这种自动化方法。由于 df 的数量很多，我还需要它来提高效率。

Answer 1

使用df.to_records()你的数据帧转换成结构化的阵列。

您可以通过index=False从结果中删除索引。

import numpy as np

df = pd.DataFrame(np.random.rand(10,3),columns=['Acol','Ccol','Bcol'])

res = df.to_records(index=False)

# rec.array([(0.12448699852020828, 0.7621451848466592, 0.0958529943831431),
#  (0.14534869167076214, 0.695297214355628, 0.3753874117495527),
#  (0.09890006207909052, 0.46364777245941025, 0.10216301104094272),
#  (0.3467673672203968, 0.4264108141950761, 0.1475998692158026),
#  (0.9272619907467186, 0.3116253419608288, 0.5681628329642517),
#  (0.34509767424461246, 0.5533523959180552, 0.02145207648054681),
#  (0.7982313824847291, 0.563383955627413, 0.35286630304880684),
#  (0.9574060540226251, 0.21296949881671157, 0.8882413119348652),
#  (0.0892793829627454, 0.6157843461905468, 0.8310360916075473),
#  (0.4691016244437851, 0.7007146447236033, 0.6672404967622088)], 
#           dtype=[('Acol', '<f8'), ('Ccol', '<f8'), ('Bcol', '<f8')])

结构化数组将始终具有一维。那是无法改变的。

但是您可以通过以下方式获得形状：

res.view(np.float64).reshape(len(res), -1).shape  # (10, 3)

为了性能，如果您正在操作数据，最好使用numpy.arrayviadf.to_numpy()并将列名记录在带有整数键的字典中。