假设我们必须阵列
第一个：
arr1=
[1000 5.0
1270 5.0
1315 5.0
]
arr2=
[578 5.0
1000 5.0
1315 5.0
]
正如你所看到的，我们有索引和它们的值，我想做的是，如果它们有相同的索引，就以某种方式连接它们，然后添加它们，如果不只是将它们与它们的值放在一起的话。
最终输出：
FINAL_ARR=
[578 5.0
1000 10.0
1270 5.0
1315 10.0
]
我已经尝试过使用zip()方法，但我需要保持索引
注意：它们不需要分类。
dict的使用似乎是实现以下目标的方法：
map1={
1000: 5.0,
1270: 5.0,
1315: 5.0
}
map2={
578: 5.0,
1000: 5.0,
1315: 5.0
}
r = map1
for k, v in map2.items():
if k not in r:
r[k] = 0
r[k] += v
这些不是数组。它们甚至不是蟒蛇。
在python中，数组是顺序的，索引为0,1,2,3，。。。
最接近你所描述的是字典。其键是与值相关联的任何东西(或几乎是这样(。因此，您可以决定创建一个新的dict，其密钥是两个源的密钥的合并。如果有两个值，则取两个值之和；如果只有一个值，即取唯一值。
dic1={1000: 5.0, 1270: 5.0, 1315: 5.0}
dic2={578: 5.0, 1000: 5.0, 1315: 5.0}
res={k:(dic1[k] if k in dic1 else 0) + (dic2[k] if k in dic2 else 0) for k in set(dic1).union(dic2)}
一些时间指示(从我的角度来看，令人失望。大多数时候，复合不仅是一个线性，而且比显式构造更快。但这里不是(
- 我的解决方案：2.15
- 我的解决方案的变体，Mozway向Rahul建议了.get，但这也适用于我的解决方法：2.29(就个人而言，我会支付0.14，以避免更难阅读的"函数if">
- Rahul的解决方案：2.78
- imburningbabe的解决方案：4439.33(这并不奇怪。Pandas是一台重型机器，对于这样的任务来说太重了。对于更大的字典来说，差异肯定会减少很多，甚至可能会赢得足够大的数据——因为它避免了我们其他人都无法避免的python for循环(。对于100万个条目的输入，最佳解决方案和pandas 1之间的比率仅为2(例如，当输入超过2000时(。所以，仍然是最慢的。但熊猫最终可能会赢得更多的数据
但所有这些都被Julien的直接解决方案击败了(即使我在时间上也算在内，对于他的解决方案来说，是第一本字典的副本。为了比较可比较的算法：我们所有的解决方案都返回第三本字典，让两本输入字典完好无损。而他更改了一本输入字典。但是，让它在副本上工作会让我们使用相同的规则
- 朱利安的解决方案：1.81
所以，就目前而言，如果你想要最快的解决方案，Julien就是你想要的。如果你想要一条班轮，我的(没有mozway建议的优雅的.get(是最快的(在一条班轮中(。
在对另一个解决方案的评论中，您说您也只想要交集(所以这是另一个问题(。然后，你可以
{k: dic1[k]+dic2[k] for k in set(dic1).intersection(dic2)}
如果您认为两者都是字典，
dic1={1000: 5.0, 1270: 5.0, 1315: 5.0}
dic2={578: 5.0, 1000: 5.0, 1315: 5.0}
output = {k: dic1.get(k, 0)+ dic2.get(k,0) for k in list(dic1.keys())+list(dic2.keys())}
# {1000: 10.0, 1270: 5.0, 1315: 10.0, 578: 5.0}
如果两者都是阵列
arr1 = [[1000,5.0], [1270, 5.0], [1315, 5.0]]
arr2 = [[578,5.0], [1000, 5.0], [1315, 5.0]]
d = {}
for i in arr1 + arr2:
d[i[0]] = d.get(i[0], 0) + i[1]
# {1000: 10.0, 1270: 5.0, 1315: 10.0, 578: 5.0}
有趣的单线解决方案：
res = pd.DataFrame.from_records(arr1).set_index(0).append(pd.DataFrame.from_records(arr2).set_index(0)).sum(level=0).reset_index().values