Эффективно получить перестановку 3-х рядных массивов разных размеров и типов

Question

Эффективно получить перестановку 3-х рядных массивов разных размеров и типов

1

У меня есть 3 numpy массива произвольного размера и типа, как указано:

время (datetime), lats (float64), longs (float64)

import numpy as np
import pandas as pd

time  = np.asarray(['2018-05-01T00:30:00.000000000','2018-05-01T01:30:00.000000000','2018-05-01T02:30:00.000000000', '2018-05-01T03:30:00.000000000'], dtype='<M8[ns]')
lats  = np.asarray([-90. , -89.5, -89. , -88.5, -88. , -87.5, -87. , -86.5, -86. ,-85.5])
longs = np.asarray([-180., -179.3, -178.7 , -178.1, -177.5  , -176.8, -176.2 , -175.6, -175., -174.3, -173.7 , -173.1 ,-172.5 , -171.8, -171.2 , -170.6, -170., -169.3])

И 1 массив, который содержит значения, которые соответствуют сплющенной и упорядоченной перестановке трех массивов, давая ей длину:

length = len(time)*len(lats)*len(longs)
values = np.asarray(range(length), dtype='float64')

Здесь значения произвольны, но индекс важен. Я пытаюсь построить сплющенный набор данных, который хранит все данные, упорядоченные по времени, латам, длинным - в этом порядке, так как для каждого лата должны быть значения len (longs). Ниже мой рабочий код:

master = pd.DataFrame(np.array(np.meshgrid(time, longs, lats)).T.reshape(-1,3), columns = ['datetime', 'long', 'lat'])
master['values'] = values
print master.head()

Хотя это работает нормально, мне нужно преобразовать столбец datetime в метку времени:

master['datetime'] = master['datetime'].apply(pd.to_datetime)
print master

Этот процесс изменения данных, их сглаживание, а затем преобразование между типами происходит слишком медленно и происходит с высокой вычислительной нагрузкой. Есть ли более эффективный метод для достижения желаемой структуры данных?

mk8efz 21 июнь 2018, в 19:51

Источник

Теги:

python

pandas

arrays

numpy

1 ответ

Ещё вопросы

DSM · Accepted Answer · 2018-06-21T16-41-00.000Z

Вы можете избежать многих операций с низким уровнем шума при использовании MultiIndex.from_product, и это имеет то преимущество, что вы не потеряете информацию о типе. Это обходит очень медленный вызов pd.to_datetime. Например:

time = pd.date_range("2018-05-01", freq="30min", periods=24).values
lats = np.linspace(-90, -80, 1000)
longs = np.linspace(-180, -170, 1000)

length = len(time)*len(lats)*len(longs)
values = np.arange(length, dtype='float64')

который дает длину 24 М, а затем:

а потом

In [48]: %time df = pd.Series(values, 
         index=pd.MultiIndex.from_product([time, lats, longs], 
               names=["datetime", "lat", "long"])).reset_index(name='values')
Wall time: 1.38 s

In [49]: df.head()
Out[49]: 
    datetime   lat       long  values
0 2018-05-01 -90.0 -180.00000     0.0
1 2018-05-01 -90.0 -179.98999     1.0
2 2018-05-01 -90.0 -179.97998     2.0
3 2018-05-01 -90.0 -179.96997     3.0
4 2018-05-01 -90.0 -179.95996     4.0