FeatureClassToNumPyArray

摘要

将要素类转换为 NumPy 结构数组。

说明

NumPy 是 Python 中用于进行科学计算的基础包，其包括支持功能强大的 N 维数组对象。有关详细信息，请参阅在 ArcGIS 中使用 NumPy。

要将表转换成 NumPy 数组，请改用 TableToNumPyArray 函数。

语法

FeatureClassToNumPyArray (in_table, field_names, {where_clause}, {spatial_reference}, {explode_to_points}, {skip_nulls}, {null_value})

参数	说明	数据类型
in_table	要素类、图层、表或表视图。	String
field_names [field_names,...]	字段名称列表（或组）。 对于单个字段，可以使用一个字符串，而不使用字符串列表。 要访问输入表中的所有字段（BLOB 字段除外），可以使用星号 (*) 代替字段列表。 但是，为了获得较快的性能和可靠的字段顺序，建议您将字段列表限制在实际需要的字段。 不支持栅格和 BLOB 字段。 使用 SHAPE@ 令牌时几何对象不受支持，但在使用 SHAPE@XY（要素质心坐标的元组）、SHAPE@AREA、SHAPE@LENGTH 等其他令牌时可以包含几何信息。 以令牌（如 OID@）取代字段名称可访问更多的信息： SHAPE@XY—一组要素的质心 x,y 坐标。 SHAPE@XYZ—一组要素的质心 x,y,z 坐标。 SHAPE@TRUECENTROID—一组要素的质心 x,y 坐标。 这会返回与 SHAPE@XY 相同的值。 SHAPE@X—要素的双精度 x 坐标。 SHAPE@Y—要素的双精度 y 坐标。 SHAPE@Z—要素的双精度 z 坐标。 SHAPE@M—要素的双精度 m 值。 SHAPE@JSON—表示几何的 Esri JSON 字符串。 SHAPE@WKB—OGC 几何的熟知二进制 (WKB) 表示。 用于以可移植的方式将几何值表示为连续的字节流。 SHAPE@WKT—OGC 几何的熟知文本 (WKT) 表示。 用于以可移植的方式将几何值表示为文本字符串。 SHAPE@AREA—要素的双精度面积。 SHAPE@LENGTH—要素的双精度长度。 OID@—“对象 ID”字段的值。 将要素类导出到 NumPy 数组。输出数组包括一个 Object ID 字段和一个包含要素质心的 x,y 坐标元组的字段。 import arcpy array = arcpy.da.FeatureClassToNumPyArray(fc, ["OID@", "SHAPE@XY"]) # The first row would look similar to the following: # (1, [-147.82339477539062, 64.86953735351562]) print(array[0]) 如果 SHAPE@M 包含点要素且包含 m 值（或 z 值），则 SHAPE@Z 和 in_table 令牌将仅返回值。如果 in_table 包含面、折线或多部件要素，则 SHAPE@M 和 SHAPE@Z 将返回 nan。不含 m 值或 z 值的任何要素类将不支持 SHAPE@M 和 SHAPE@Z 令牌。 (默认值为 *)	String
where_clause	用于限制所返回的记录的可选表达式。 有关 WHERE 子句和 SQL 语句的详细信息，请参阅在 ArcGIS 中使用的查询表达式的 SQL 参考。 (默认值为 "")	String
spatial_reference	要素类的空间参考。 指定此参数后，将根据输入的空间参考对要素进行投影（或变换）。 如果未指定，则将使用输入要素类的空间参考。 此参数的有效值为 SpatialReference 对象或等效字符串。 使用 spatial_reference 参数返回其他空间参考中的坐标。这里描述的第二个要素类用于访问空间参考对象。 import arcpy SR = arcpy.Describe(fc2).spatialReference arcpy.da.FeatureClassToNumPyArray(fc, ["OID@", "SHAPE@XY", "EDUCATION"], spatial_reference=SR) (默认值为 None)	SpatialReference
explode_to_points	将要素解构为其单个点或折点。 如果将 explode_to_points 设置为 True，则一个包含五个点的多点要素将表示为五行。 (默认值为 False)	Boolean
skip_nulls	控制是否跳过使用空值的记录。 可以是布尔值（True 或 False）、Python 函数或 lambda 表达式。 设置为 True 时，只要记录的属性是空值（包括几何），就跳过该记录。 如果设置为 False，skip_nulls 将尝试使用所有记录，而不考虑空值。 在 NumPy 数组中，对于浮点数值，空值表示为 nan（not a number，不是数字），但不适用于整数。 跳过所有包含空值的记录。 import arcpy array = arcpy.da.FeatureClassToNumPyArray(fc, fields, skip_nulls=True) 使用 Python 函数或 lambda 表达式可进行更精细的控制，包括对含有空值的所有记录的 OID 值进行记录。 在以下两个示例中，使用 lambda 表达式或函数来识别含有空记录的 OID。 使用函数来捕获所有因含空值被跳过的记录。 import arcpy def getnull(oid): nullRows.append(oid) return True nullRows = list() array = arcpy.da.FeatureClassToNumPyArray(table, fields, skip_nulls=getnull) print(nullRows) 使用 lambda 表达式来捕获所有因含空值被跳过的记录。 import arcpy nullRows = list() array = arcpy.da.FeatureClassToNumPyArray(fc, fields, skip_nulls=lambda oid: nullRows.append(oid)) print(nullRows) 注： 在 NumPy 数组中，空值以浮点型（如 nan）和文本类型（如 None）表示。 整型不支持空值概念。 (默认值为 False)	Variant
null_value	将输入的空值替换为新值。 在计算 skip_nulls 之前，替换 null_value。 掩膜拥有 -9999 的整型字段中的所有 None 值。 import arcpy fields = ['field1', 'field2'] arcpy.da.FeatureClassToNumPyArray(fc, fields, null_value=-9999) 使用字典掩膜拥有不同值的整型字段中的 None 值。 import arcpy fields = ['field1', 'field2'] nullDict = {'field1':-999999, 'field2':-9999} arcpy.da.FeatureClassToNumPyArray(fc, fields, null_value=nullDict) 警告： 提供掩膜（例如 -9999）允许将包含空值的整型字段导出到 NumPy 数组，但在任何分析中使用这些值时都请务必谨慎。 分析结果可能因引入的值而意外偏斜。 (默认值为 None)	Integer

返回值

数据类型	说明
NumPyArray	NumPy 结构化数组。

代码示例

将表转化为 numpy 数组，并对 numpy 运算某些基本统计数据。

import arcpy
import numpy
input = "c:/data/usa.gdb/USA/counties"
arr = arcpy.da.FeatureClassToNumPyArray(input, ('STATE_NAME', 'POP1990', 'POP2000'))
# Sum the total population for 1990 and 2000
#
print(arr["POP1990"].sum())
print(arr["POP2000"].sum())
# Sum the population for the state of Minnesota
#
print(arr[arr['STATE_NAME'] == "Minnesota"]['POP2000'].sum())

使用 TableToNumPyArray 确定两个字段的相关系数。

import arcpy
import numpy
input = "c:/data/usa.gdb/USA/counties"
field1 = "INCOME"
field2 = "EDUCATION"
arr = arcpy.da.FeatureClassToNumPyArray(input, (field1, field2))
# Print correlation coefficients for comparison of 2 field values
#               
print(numpy.corrcoef((arr[field1], arr[field2])))