我正在尝试从文本文件中读取的Nx3数据（'x'，'y'，'value'）格式中找到局部最大值和位数。 'x'和'y'形成一个均匀间隔的网格，并且'x'，'y'的每个组合都有一个值，如下所示：
3.0, -0.4, 56.94369888305664
3.0, -0.3, 56.97200012207031
3.0, -0.2, 56.77149963378906
3.0, -0.1, 56.41230010986328
3.0, 0, 55.8302001953125
3.0, 0.1, 55.81560134887695
3.0, 0.2, 55.600399017333984
3.0, 0.3, 55.51969909667969
3.0, 0.4, 55.18550109863281
3.2, -0.4, 56.26380157470703
3.2, -0.3, 56.228599548339844
...
问题是我尝试使用的图像代码（link）要求数据采用不同的2d矩阵格式进行图像处理。这是代码的相关部分：
# Construct some test data
x, y = np.ogrid[-np.pi:np.pi:100j, -np.pi:np.pi:100j]
r = np.sin(np.exp((np.sin(x)**3 + np.cos(y)**2)))
# Find contours at a constant value of 0.8
contours = measure.find_contours(r, 0.8)
有人可以帮助我将数据转换为所需的“网格”格式吗？
编辑：我终于去了熊猫，但我发现一般情况下选择的答案更好。这就是我所做的：
from pandas import read_csv
data=read_csv(filename, names=['x','y','values']).pivot(index='x', columns='y',
values='values')
此后，
data.values将表保持为2d“图像形式”，就像我想要的那样。y -0.4 -0.3 -0.2 -0.1
x
3.0 86.9423 87.6398 87.5256 89.5779
3.2 76.9414 77.7743 78.8633 76.8955
3.4 71.4146 72.8257 71.7210 71.5232
最佳答案
最好的解决方案实际上取决于您不提供的详细信息。顺便说一句，您应该真正给出您的代码，或者至少给出np.loadtxt指令。
在下文中，“数据”是使用以下命令从文件加载的数组：
data = np.loadtxt('file.txt', [('x',float), ('y',float), ('value',float)])
1）直接重塑：
继@ tom10说什么
如果您知道（x，y，value）数据是以特定顺序存储的：
[(x0,y0,v00), (x0,y1,v01), .... , (x1,y0,v10),(x1,y1,v11), ... ,(xN,yM,vNM)]
并给出所有（x，y）对的值。最好的办法是从值列表中创建一维numpy数组，然后对其进行整形：
x = np.unique(data['x'])
y = np.unique(data['y'])
r = data['value'].reshape((x.size,y.size))
2）一般情况：
有关类似问题，请参见Populate arrays in python (numpy)?以及使用词典的其他解决方案
如果您不能保证除具有（x，y，value）元组以外的其他任何内容，请执行以下操作：
# indexing: list of x and y coordinates, and functions that map them to index
x = np.unique(data['x']).tolist()
y = np.unique(data['y']).tolist()
ix = np.vectorize(lambda i: x.index(i), otypes='i')
iy = np.vectorize(lambda j: y.index(j), otypes='i')
# create output array
r = np.zeros((x.size,y.size), float) # default value is 0
r[ix(data['x']), iy(data['y'])] = data['value']
注意：在以上给出的参考中，给出了使用字典的其他方法。我认为这更具可读性，但是我没有测试它们的相对速度。
3）中级案件？
您可能会有一个中间情况，介于以特定顺序给出的常规网格坐标与根本没有约束之间。一般情况可能非常慢，因此您应该设计算法以利用数据遵循的任何规则。
一个示例是，如果您知道x-y索引遵循特定规则，但不一定按顺序给出。例如，如果您知道x和y是等距的“网格”坐标，其形式为：
coordinate = min_coordinate + i*step
然后找到min_coordinate和step（对于x和y），并通过求解该方程来找到i。这样，您避免了昂贵的索引映射np.vectorized（... list.index（...））：
x = np.unique(data['x'])
y = np.unique(data['y'])
ix = (data['x']-x.min())/(x[1]-x[0])
iy = (data['y']-y.min())/(y[1]-y[0])
# create output array
r = np.ones((x.size,y.size), float)*np.nan # default value is NaN
r[ix.astype(int), iy.astype(int)] = data['value']