这里有一种方法 -
idx = np.array(d.keys())
vals = np.array(d.values())
dims = idx.max(0)+1
out = np.zeros(dims,dtype=vals.dtype)
out[idx[:,0],idx[:,1]] = vals
我们还可以使用稀疏矩阵来获得最终输出。例如,使用
坐标格式的稀疏矩阵
。当保留为稀疏矩阵时,这将具有内存效率。因此,最后一步可以被替换为以下内容 -
from scipy.sparse import coo_matrix
out = coo_matrix((vals, (idx[:,0], idx[:,1])), dims).toarray()
示例运行 -
In [70]: d
Out[70]: {(1, 4): 120, (2, 2): 72, (2, 3): 100, (5, 2): 88}
In [71]: out
Out[71]:
array([[ 0, 0, 0, 0, 0],
[ 0, 0, 0, 0, 120],
[ 0, 0, 72, 100, 0],
[ 0, 0, 0, 0, 0],
[ 0, 0, 0, 0, 0],
[ 0, 0, 88, 0, 0]])
为了使其适用于任意维度的ndarray,我们可以使用线性索引并使用np.put
将值分配到输出数组中。因此,在我们的第一种方法中,只需将分配值的最后一步替换为以下内容 -
np.put(out,np.ravel_multi_index(idx.T,dims),vals)
示例运行:
In [106]: d
Out[106]: {(1,0,0): 99, (1,0,4): 120, (2,0,2): 72, (2,1,3): 100, (3,0,2): 88}
In [107]: out
Out[107]:
array([[[ 0, 0, 0, 0, 0],
[ 0, 0, 0, 0, 0]],
[[ 99, 0, 0, 0, 120],
[ 0, 0, 0, 0, 0]],
[[ 0, 0, 72, 0, 0],
[ 0, 0, 0, 100, 0]],
[[ 0, 0, 88, 0, 0],
[ 0, 0, 0, 0, 0]]])