blocks|key|1948144|text|import+numpy+as+np
import+pandas+as+pd
import+scipy.sparse+as+sparse

df+=+pd.DataFrame(np.arange(1,10).reshape(3,3))
arr+=+sparse.coo_matrix(([1,1,1],+([0,1,2],+[1,2,0])),+shape=(3,3))
df['newcol']+=+arr.toarray().tolist()
print(df)|type|code-block|depth|inlineStyleRanges|entityRanges|data|syntax|javascript|1948145|收益率|unstyled|1948146|+++0++1++2+++++newcol
0++1++2++3++[0,+1,+0]
1++4++5++6++[0,+0,+1]
2++7++8++9++[1,+0,+0]|1948147|entityMap^0|0|0|0^^$0|@$1|2|3|4|5|6|7|K|8|@]|9|@]|A|$B|C]]|$1|D|3|E|5|F|7|L|8|@]|9|@]|A|$]]|$1|G|3|H|5|6|7|M|8|@]|9|@]|A|$B|C]]|$1|I|3|-4|5|F|7|N|8|@]|9|@]|A|$]]]|J|$]]

<pre><code>import numpy as np
import pandas as pd
import scipy.sparse as sparse

df = pd.DataFrame(np.arange(1,10).reshape(3,3))
arr = sparse.coo_matrix(([1,1,1], ([0,1,2], [1,2,0])), shape=(3,3))
df['newcol'] = arr.toarray().tolist()
print(df)
</code></pre>

yields

<pre><code> 0 1 2 newcol
0 1 2 3 [0, 1, 0]
1 4 5 6 [0, 0, 1]
2 7 8 9 [1, 0, 0]
</code></pre>

blocks|key|872246|text|考虑使用高维数据结构(+面板)，而不是将数组存储在列中：|type|unstyled|depth|inlineStyleRanges|entityRanges|offset|length|data|872247|In+[11]:+p+=+pd.Panel({'df':+df,+'csc':+csc})

In+[12]:+p.df
Out[12]:+
+++0++1++2
0++1++2++3
1++4++5++6
2++7++8++9

In+[13]:+p.csc
Out[13]:+
+++0++1++2
0++0++1++0
1++0++0++1
2++1++0++0|code-block|syntax|javascript|872248|看横截面等.|872249|In+[14]:+p.xs(0)
Out[14]:+
+++csc++df
0++++0+++1
1++++1+++2
2++++0+++3|872250|http://pandas.pydata.org/pandas-docs/stable/dsintro.html#panel。|872251|entityMap|0|LINK|mutability|MUTABLE|url|http://pandas.pydata.org/pandas-docs/stable/dsintro.html#panel|1^0|C|2|0|0|0|0|0|0|1Q|1|0^^$0|@$1|2|3|4|5|6|7|X|8|@]|9|@$A|Y|B|Z|1|10]]|C|$]]|$1|D|3|E|5|F|7|11|8|@]|9|@]|C|$G|H]]|$1|I|3|J|5|6|7|12|8|@]|9|@]|C|$]]|$1|K|3|L|5|F|7|13|8|@]|9|@]|C|$G|H]]|$1|M|3|N|5|6|7|14|8|@]|9|@$A|15|B|16|1|17]]|C|$]]|$1|O|3|-4|5|6|7|18|8|@]|9|@]|C|$]]]|P|$Q|$5|R|S|T|C|$U|V]]|W|$5|R|S|T|C|$U|V]]]]

Consider using a higher dimensional datastructure (a <a href="http://pandas.pydata.org/pandas-docs/stable/dsintro.html#panel" rel="noreferrer">Panel</a>), rather than storing an array in your column:

<pre><code>In [11]: p = pd.Panel({'df': df, 'csc': csc})

In [12]: p.df
Out[12]: 
 0 1 2
0 1 2 3
1 4 5 6
2 7 8 9

In [13]: p.csc
Out[13]: 
 0 1 2
0 0 1 0
1 0 0 1
2 1 0 0
</code></pre>

Look at cross-sections etc, etc, etc.

<pre><code>In [14]: p.xs(0)
Out[14]: 
 csc df
0 0 1
1 1 2
2 0 3
</code></pre>

<a href="http://pandas.pydata.org/pandas-docs/stable/dsintro.html#panel" rel="noreferrer">See the docs for more on Panels</a>.

blocks|key|11363|text|下面是另一个例子：|type|unstyled|depth|inlineStyleRanges|entityRanges|data|11364|import+numpy+as+np
import+pandas+as+pd

"""+This+just+creates+a+list+of+touples,+and+each+element+of+the+touple+is+an+array"""
a+=+[+(np.random.randint(1,10,10),+np.array([0,1,2,3,4,5,6,7,8,9]))++for+i+in+
range(0,10)+]

"""+Panda+DataFrame+will+allocate+each+of+the+arrays+,+contained+as+a+touple+
element+,+as+column"""
df+=+pd.DataFrame(data+=a,columns=['random_num','sequential_num'])|code-block|syntax|javascript|11365|通常的秘密是以a=+(array_11，array_12，.，array_1n)，.，(array_m1，array_m2，.，array_mn)的形式分配数据，熊猫DataFrame将数据排序在数组的n列中。当然，数组可以被使用，而不是一键，在这种情况下，形式是:a=[+array_11，array_12，.，array_1n，.，array_m1，array_m2，.，array_mn+]|11366|如果从上面的代码中打印(Df)，这就是输出：|11367|+++++++++++++++++++++++random_num++++++++++++++++++sequential_num
0++[7,+9,+2,+2,+5,+3,+5,+3,+1,+4]++[0,+1,+2,+3,+4,+5,+6,+7,+8,+9]
1++[8,+7,+9,+8,+1,+2,+2,+6,+6,+3]++[0,+1,+2,+3,+4,+5,+6,+7,+8,+9]
2++[3,+4,+1,+2,+2,+1,+4,+2,+6,+1]++[0,+1,+2,+3,+4,+5,+6,+7,+8,+9]
3++[3,+1,+1,+1,+6,+2,+8,+6,+7,+9]++[0,+1,+2,+3,+4,+5,+6,+7,+8,+9]
4++[4,+2,+8,+5,+4,+1,+2,+2,+3,+3]++[0,+1,+2,+3,+4,+5,+6,+7,+8,+9]
5++[3,+2,+7,+4,+1,+5,+1,+4,+6,+3]++[0,+1,+2,+3,+4,+5,+6,+7,+8,+9]
6++[5,+7,+3,+9,+7,+8,+4,+1,+3,+1]++[0,+1,+2,+3,+4,+5,+6,+7,+8,+9]
7++[7,+4,+7,+6,+2,+6,+3,+2,+5,+6]++[0,+1,+2,+3,+4,+5,+6,+7,+8,+9]
8++[3,+1,+6,+3,+2,+1,+5,+2,+2,+9]++[0,+1,+2,+3,+4,+5,+6,+7,+8,+9]
9++[7,+2,+3,+9,+5,+5,+8,+6,+9,+8]++[0,+1,+2,+3,+4,+5,+6,+7,+8,+9]|11368|上述例子的其他变体：|11369|b+=+[+(i,"text",[14,+5,],+np.array([0,1,2,3,4,5,6,7,8,9]))++for+i+in+
range(0,10)+]
df+=+pd.DataFrame(data=b,columns=['Number','Text','2Elemnt_array','10Element_array'])|11370|df的产出：|11371|+++Number++Text+2Elemnt_array+++++++++++++++++10Element_array
0+++++++0++text+++++++[14,+5]++[0,+1,+2,+3,+4,+5,+6,+7,+8,+9]
1+++++++1++text+++++++[14,+5]++[0,+1,+2,+3,+4,+5,+6,+7,+8,+9]
2+++++++2++text+++++++[14,+5]++[0,+1,+2,+3,+4,+5,+6,+7,+8,+9]
3+++++++3++text+++++++[14,+5]++[0,+1,+2,+3,+4,+5,+6,+7,+8,+9]
4+++++++4++text+++++++[14,+5]++[0,+1,+2,+3,+4,+5,+6,+7,+8,+9]
5+++++++5++text+++++++[14,+5]++[0,+1,+2,+3,+4,+5,+6,+7,+8,+9]
6+++++++6++text+++++++[14,+5]++[0,+1,+2,+3,+4,+5,+6,+7,+8,+9]
7+++++++7++text+++++++[14,+5]++[0,+1,+2,+3,+4,+5,+6,+7,+8,+9]
8+++++++8++text+++++++[14,+5]++[0,+1,+2,+3,+4,+5,+6,+7,+8,+9]
9+++++++9++text+++++++[14,+5]++[0,+1,+2,+3,+4,+5,+6,+7,+8,+9]|11372|如果要添加数组的其他列，则：|11373|df['3Element_array']=[([1,2,3]),([1,2,3]),([1,2,3]),([1,2,3]),([1,2,3]),([1,2,3]),([1,2,3]),([1,2,3]),([1,2,3]),([1,2,3])]|11374|df的最终输出将是：|11375|+++Number++Text+2Elemnt_array+++++++++++++++++10Element_array+3Element_array
0+++++++0++text+++++++[14,+5]++[0,+1,+2,+3,+4,+5,+6,+7,+8,+9]++++++[1,+2,+3]
1+++++++1++text+++++++[14,+5]++[0,+1,+2,+3,+4,+5,+6,+7,+8,+9]++++++[1,+2,+3]
2+++++++2++text+++++++[14,+5]++[0,+1,+2,+3,+4,+5,+6,+7,+8,+9]++++++[1,+2,+3]
3+++++++3++text+++++++[14,+5]++[0,+1,+2,+3,+4,+5,+6,+7,+8,+9]++++++[1,+2,+3]
4+++++++4++text+++++++[14,+5]++[0,+1,+2,+3,+4,+5,+6,+7,+8,+9]++++++[1,+2,+3]
5+++++++5++text+++++++[14,+5]++[0,+1,+2,+3,+4,+5,+6,+7,+8,+9]++++++[1,+2,+3]
6+++++++6++text+++++++[14,+5]++[0,+1,+2,+3,+4,+5,+6,+7,+8,+9]++++++[1,+2,+3]
7+++++++7++text+++++++[14,+5]++[0,+1,+2,+3,+4,+5,+6,+7,+8,+9]++++++[1,+2,+3]
8+++++++8++text+++++++[14,+5]++[0,+1,+2,+3,+4,+5,+6,+7,+8,+9]++++++[1,+2,+3]
9+++++++9++text+++++++[14,+5]++[0,+1,+2,+3,+4,+5,+6,+7,+8,+9]++++++[1,+2,+3]|11376|entityMap^0|0|0|0|0|0|0|0|0|0|0|0|0|0^^$0|@$1|2|3|4|5|6|7|14|8|@]|9|@]|A|$]]|$1|B|3|C|5|D|7|15|8|@]|9|@]|A|$E|F]]|$1|G|3|H|5|6|7|16|8|@]|9|@]|A|$]]|$1|I|3|J|5|6|7|17|8|@]|9|@]|A|$]]|$1|K|3|L|5|D|7|18|8|@]|9|@]|A|$E|F]]|$1|M|3|N|5|6|7|19|8|@]|9|@]|A|$]]|$1|O|3|P|5|D|7|1A|8|@]|9|@]|A|$E|F]]|$1|Q|3|R|5|6|7|1B|8|@]|9|@]|A|$]]|$1|S|3|T|5|D|7|1C|8|@]|9|@]|A|$E|F]]|$1|U|3|V|5|6|7|1D|8|@]|9|@]|A|$]]|$1|W|3|X|5|D|7|1E|8|@]|9|@]|A|$E|F]]|$1|Y|3|Z|5|6|7|1F|8|@]|9|@]|A|$]]|$1|10|3|11|5|D|7|1G|8|@]|9|@]|A|$E|F]]|$1|12|3|-4|5|6|7|1H|8|@]|9|@]|A|$]]]|13|$]]

Here is other example:

<pre><code>import numpy as np
import pandas as pd

""" This just creates a list of touples, and each element of the touple is an array"""
a = [ (np.random.randint(1,10,10), np.array([0,1,2,3,4,5,6,7,8,9])) for i in 
range(0,10) ]

""" Panda DataFrame will allocate each of the arrays , contained as a touple 
element , as column"""
df = pd.DataFrame(data =a,columns=['random_num','sequential_num'])
</code></pre>

The secret in general is to allocate the data in the form a = [ (array_11, array_12,...,array_1n),...,(array_m1,array_m2,...,array_mn) ] and panda DataFrame will order the data in n columns of arrays. Of course , arrays of arrays could be used instead of touples, in that case the form would be :
a = [ [array_11, array_12,...,array_1n],...,[array_m1,array_m2,...,array_mn] ] 

This is the output if you print(df) from the code above:

<pre><code> random_num sequential_num
0 [7, 9, 2, 2, 5, 3, 5, 3, 1, 4] [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
1 [8, 7, 9, 8, 1, 2, 2, 6, 6, 3] [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
2 [3, 4, 1, 2, 2, 1, 4, 2, 6, 1] [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
3 [3, 1, 1, 1, 6, 2, 8, 6, 7, 9] [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
4 [4, 2, 8, 5, 4, 1, 2, 2, 3, 3] [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
5 [3, 2, 7, 4, 1, 5, 1, 4, 6, 3] [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
6 [5, 7, 3, 9, 7, 8, 4, 1, 3, 1] [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
7 [7, 4, 7, 6, 2, 6, 3, 2, 5, 6] [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
8 [3, 1, 6, 3, 2, 1, 5, 2, 2, 9] [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
9 [7, 2, 3, 9, 5, 5, 8, 6, 9, 8] [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
</code></pre>

Other variation of the example above:

<pre><code>b = [ (i,"text",[14, 5,], np.array([0,1,2,3,4,5,6,7,8,9])) for i in 
range(0,10) ]
df = pd.DataFrame(data=b,columns=['Number','Text','2Elemnt_array','10Element_array'])
</code></pre>

Output of df:

<pre><code> Number Text 2Elemnt_array 10Element_array
0 0 text [14, 5] [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
1 1 text [14, 5] [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
2 2 text [14, 5] [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
3 3 text [14, 5] [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
4 4 text [14, 5] [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
5 5 text [14, 5] [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
6 6 text [14, 5] [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
7 7 text [14, 5] [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
8 8 text [14, 5] [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
9 9 text [14, 5] [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
</code></pre>

If you want to add other columns of arrays, then:

<pre><code>df['3Element_array']=[([1,2,3]),([1,2,3]),([1,2,3]),([1,2,3]),([1,2,3]),([1,2,3]),([1,2,3]),([1,2,3]),([1,2,3]),([1,2,3])]
</code></pre>

The final output of df will be:

<pre><code> Number Text 2Elemnt_array 10Element_array 3Element_array
0 0 text [14, 5] [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] [1, 2, 3]
1 1 text [14, 5] [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] [1, 2, 3]
2 2 text [14, 5] [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] [1, 2, 3]
3 3 text [14, 5] [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] [1, 2, 3]
4 4 text [14, 5] [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] [1, 2, 3]
5 5 text [14, 5] [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] [1, 2, 3]
6 6 text [14, 5] [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] [1, 2, 3]
7 7 text [14, 5] [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] [1, 2, 3]
8 8 text [14, 5] [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] [1, 2, 3]
9 9 text [14, 5] [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] [1, 2, 3]
</code></pre>

blocks|key|11389|text|可以使用以下方法从dataframe添加和检索numpy数组：|type|unstyled|depth|inlineStyleRanges|entityRanges|data|11390|import+numpy+as+np
import+pandas+as+pd

df+=+pd.DataFrame({'b':range(10)})+#+target+dataframe
a+=+np.random.normal(size=(10,2))+#+numpy+array
df['a']=a.tolist()+#+save+array
np.array(df['a'].tolist())+#+retrieve+array|code-block|syntax|javascript|11391|这建立在以前的答案之上，因为稀疏部分使我感到困惑，这对于非稀疏的numpy+arrray很有效。|11392|entityMap^0|0|0|0^^$0|@$1|2|3|4|5|6|7|K|8|@]|9|@]|A|$]]|$1|B|3|C|5|D|7|L|8|@]|9|@]|A|$E|F]]|$1|G|3|H|5|6|7|M|8|@]|9|@]|A|$]]|$1|I|3|-4|5|6|7|N|8|@]|9|@]|A|$]]]|J|$]]

You can add and retrieve a numpy array from dataframe using this:
<pre><code>import numpy as np
import pandas as pd

df = pd.DataFrame({'b':range(10)}) # target dataframe
a = np.random.normal(size=(10,2)) # numpy array
df['a']=a.tolist() # save array
np.array(df['a'].tolist()) # retrieve array
</code></pre>
This builds on the previous answer that confused me because of the sparse part and this works well for a non-sparse numpy arrray.

blocks|key|872320|text|df+=+pd.DataFrame(np.arange(1,10).reshape(3,3))
df['newcol']+=+pd.Series(your_2d_numpy_array)|type|code-block|depth|inlineStyleRanges|entityRanges|data|syntax|javascript|872321|unstyled|entityMap^0|0^^$0|@$1|2|3|4|5|6|7|G|8|@]|9|@]|A|$B|C]]|$1|D|3|-4|5|E|7|H|8|@]|9|@]|A|$]]]|F|$]]

<pre><code>df = pd.DataFrame(np.arange(1,10).reshape(3,3))
df['newcol'] = pd.Series(your_2d_numpy_array)
</code></pre>

I have a Pandas data frame object of shape (X,Y) that looks like this:

<pre><code>[[1, 2, 3],
[4, 5, 6],
[7, 8, 9]]
</code></pre>

and a numpy sparse matrix (CSC) of shape (X,Z) that looks something like this

<pre><code>[[0, 1, 0],
[0, 0, 1],
[1, 0, 0]]
</code></pre>

How can I add the content from the matrix to the data frame in a new named column such that the data frame will end up like this:

<pre><code>[[1, 2, 3, [0, 1, 0]],
[4, 5, 6, [0, 0, 1]],
[7, 8, 9, [1, 0, 0]]]
</code></pre>

Notice the data frame now has shape (X, Y+1) and rows from the matrix are elements in the data frame.

Add numpy array as column to Pandas data frame

翻译质量差，导致语言生硬或混乱。

没有提供实际的解决方法或示例。

解答不清晰，无法理解或解决问题。

页面排版不美观，阅读体验差。

文章

问答

视频

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

我有一个形状(X，Y)的Pandas数据帧对象，看起来如下：[[1, 2, 3],[4, 5, 6],[7, 8, 9]]以及形状(X，Z)的numpy稀疏矩阵(CSC)，其形状如下所示[[0, 1, 0],[0, 0, 1],[1, 0, 0]]如何在新的命名列中将矩阵中的内容添加到数据帧中，以便数据框架将以如下方式...

问将numpy数组作为列添加到Pandas数据帧中
EN

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问将numpy数组作为列添加到Pandas数据帧中EN