Question

我正试图从ndarray整数'标志'开始：

array([[1, 3, 2],
       [2, 0, 3],
       [3, 2, 0],
       [2, 0, 1]])

到ndarray个字符串：

array([['Banana', 'Celery', 'Carrot'],
       ['Carrot', 'Apple', 'Celery'],
       ['Celery', 'Carrot', 'Apple'],
       ['Carrot', 'Apple', 'Banana']],
      dtype='|S6')

使用字符串列表作为'flags'到'含义'的映射：

meanings = ['Apple', 'Banana', 'Carrot', 'Celery']

我想出了以下内容：

>>> import numpy as np
>>> meanings = ['Apple', 'Banana', 'Carrot', 'Celery']
>>> flags = np.array([[1,3,2],[2,0,3],[3,2,0],[2,0,1]])
>>> flags
array([[1, 3, 2],
       [2, 0, 3],
       [3, 2, 0],
       [2, 0, 1]])
>>> mapped = np.array([meanings[f] for f in flags.flatten()]).reshape(flags.shape)
>>> mapped
array([['Banana', 'Celery', 'Carrot'],
       ['Carrot', 'Apple', 'Celery'],
       ['Celery', 'Carrot', 'Apple'],
       ['Carrot', 'Apple', 'Banana']],
      dtype='|S6')

这很有效，但在处理大型flatten时，我关注相关行的效率（list comp，reshape，ndarrays）：

np.array([meanings[f] for f in flags.flatten()]).reshape(flags.shape)

是否有更好/更有效的方式来执行这样的映射？

Answer 1

花式索引是 numpythonic 的做法：

mapped = meanings[flags]

或通常更快的等价物：

mapped = np.take(meanings, flags)

Answer 2

我认为np.vectorize是要走的路，它也非常清晰易懂。我还没有对以下内容进行过测试，但它应该有效。

vfunc = np.vectorize(lambda x : meanings[x])

mapped = vfunc(flags)

使用字符串含义列表从int'flags'的ndarray创建字符串ndarray

2 个答案: