Как из составного словаря с списком данных (values) создать многомерную матрицу (mxn)?

Question

[Mioulin]

есть составной словарь, в котором первый ключ key1 (тип группы) ведет к списку ключей key2 (выборка группы), которые содержат одномерный массив данных values, уникальный для каждой выборки.
нужно записать функцию, которая бы обращалась сначала к словарю ключу 1, потом из словаря одномерный массив данных преобразовала бы в многомерную матрицу (mxn), где n столбцов - это количество ключей, каждому из которых соответствует свой уникальный массив данных m
Пример, то, что есть:

1dict: HC, ASD (2 groups)
2 dict: ASD (2 samples with values) , HC (2 samples with values)

{'HC': {'01': array([0.72919255, 0.68225476, 0.46834589, ..., 0.71843863, 0.73399546,
0.81451451]),
'02': array([0.31245597, 0.36639732, 0.36188738, ..., 0.53902941, 0.46416973,
0.54336855])},
''ASD': {'03': array([0.60228325, 0.61171438, 0.02307892, ..., 0.41093266, 0.46532123,
0.56890823]), '04': array([0.44370506, 0.58574023, 0.21442585, ..., 0.38181173, 0.62737836,
0.68650757])}}

А надо как-то так:

Total_matrix = np.array((01,02,03,04))
ASDTOTAL.shape
(4,100)

Когда обращаюсь к конкретному ключу - проблем не возникает. Не могу написать функцию, которая бы проходила по всем ключам и возвращала бы многомерную матрицу

Comments

[Mioulin]

Вот то, что я написала. В последней строчке эта не знаю какая мистическая функция, которая бы объединяла бы матрицы.

def mds(tr_dict):
from sklearn.manifold import MDS
iu1 = np.triu_indices(100,1)
mds_dict = dict()
# create MDS dict keys
for (data_type,data_set) in tr_dict.items():
mds_dict[data_type] = dict()
for (data_type,data_set) in tr_dict.items():
for (ind, array_1_dim) in data_set.items():
mds = MDS(random_state=0)
mds_dict[data_type][ind] = mds.fit_transform(array_1_dim)
return mds_dict
sum_array = mystery(sum_before, next_element)

[Алан Гибизов]

Начните с того, что оберните код в вопросе тегом code, можно кнопкой < / >

[Алан Гибизов]

Ну и я бы советовал убрать тег python, т.к. numpy подмножество python и тема вопроса касается чисто numpy. Читателям тега python в большинстве не слишком интересны заморочки numpy.