Question

我正在尝试将分类变量的字符串数组转换为分类变量的整数数组。

实施例

import numpy as np
a = np.array( ['a', 'b', 'c', 'a', 'b', 'c'])
print a.dtype
>>> |S1

b = np.unique(a)
print b
>>>  ['a' 'b' 'c']

c = a.desired_function(b)
print c, c.dtype
>>> [1,2,3,1,2,3] int32

我意识到这可以通过循环完成，但我想有一种更简单的方法。感谢。

Answer 1

np.unique有一些可选的回复

return_inverse给出整数编码，我经常使用

>>> b, c = np.unique(a, return_inverse=True)
>>> b
array(['a', 'b', 'c'], 
      dtype='|S1')
>>> c
array([0, 1, 2, 0, 1, 2])
>>> c+1
array([1, 2, 3, 1, 2, 3])

它可用于从唯一身份重新创建原始数组

>>> b[c]
array(['a', 'b', 'c', 'a', 'b', 'c'], 
      dtype='|S1')
>>> (b[c] == a).all()
True

Answer 2

......多年后......

为了完整性（因为答案中没有提及）和个人原因（我总是在我的模块中导入pandas但不一定sklearn），pandas.get_dummies()

也很简单

import numpy as np
import pandas

In [1]: a = np.array(['a', 'b', 'c', 'a', 'b', 'c'])

In [2]: b = pandas.get_dummies(a)

In [3]: b
Out[3]: 
      a  b  c
   0  1  0  0
   1  0  1  0
   2  0  0  1
   3  1  0  0
   4  0  1  0
   5  0  0  1

In [3]: b.values.argmax(1)
Out[4]: array([0, 1, 2, 0, 1, 2])

Answer 3

一种方法是使用categorical中的scikits.statsmodels功能。例如：

In [60]: from scikits.statsmodels.tools import categorical

In [61]: a = np.array( ['a', 'b', 'c', 'a', 'b', 'c'])

In [62]: b = categorical(a, drop=True)

In [63]: b.argmax(1)
Out[63]: array([0, 1, 2, 0, 1, 2])

来自categorical（b）的返回值实际上是一个设计矩阵，因此上面调用argmax可使其接近您想要的格式。

In [64]: b
Out[64]:
array([[ 1.,  0.,  0.],
       [ 0.,  1.,  0.],
       [ 0.,  0.,  1.],
       [ 1.,  0.,  0.],
       [ 0.,  1.,  0.],
       [ 0.,  0.,  1.]])

Answer 4

另一种方法是使用Pandas factorize将项目映射到数字：

In [1]: import numpy as np
In [2]: import pandas as pd
In [3]: a = np.array(['a', 'b', 'c', 'a', 'b', 'c'])
In [4]: a_enc = pd.factorize(a)
In [5]: a_enc[0]
Out[5]: array([0, 1, 2, 0, 1, 2])
In [6]: a_enc[1]
Out[6]: array(['a', 'b', 'c'], dtype=object)

Answer 5

嗯，这是一个黑客......但它有帮助吗？

In [72]: c=(a.view(np.ubyte)-96).astype('int32')

In [73]: print(c,c.dtype)
(array([1, 2, 3, 1, 2, 3]), dtype('int32'))

Answer 6

另一种方法是使用sklearn.preprocessing.LabelEncoder

它可以将诸如字符串之类的可哈希标签转换为介于0到n_classes-1之间的数值。

它是这样完成的：

# Repeating setup from the question to make example copy/paste-able
import numpy as np
a = np.array( ['a', 'b', 'c', 'a', 'b', 'c'])
b = np.unique(a)

# Answer to the question
from sklearn import preprocessing
pre = preprocessing.LabelEncoder()
pre.fit(b)
c = pre.transform(a)

print(c)    # Prints [0 1 2 0 1 2]

如果您坚持要让结果数组中的值从1开始，那么您可以在此之后简单地c + 1。

仅将sklearn作为依赖项引入项目中可能不值得，但是如果您已经导入了sklearn，这是一个不错的选择。

Answer 7

......再过几年......

以为我会为完整性提供纯Python解决方案：

def count_unique(a):
    def counter(item, c=[0], items={}):
        if item not in items:
            items[item] = c[0]
            c[0] += 1
        return items[item]
    return map(counter, a)

a = [0, 2, 6, 0, 2]
print count_unique(a)
>> [0, 1, 2, 0, 1]

Answer 8

另一种选择是使用大熊猫分类：

>>> import pandas as pd
>>> pd.Series(['a', 'b', 'c', 'a', 'b', 'c'], dtype="category").cat.codes.values

array([0, 1, 2, 0, 1, 2], dtype=int8)

Answer 9

你也可以试试这样的：

a = np.array( ['a', 'b', 'c', 'a', 'b', 'c'])
a[a == 'a'] = 1
a[a == 'b'] = 2
a[a == 'c'] = 3
a = a.astype(np.float32)

如果你知道里面有什么并且希望为每个值设置特定的索引会更好。

如果只有两个类别，则下一个代码将非常有用：

a = np.array( ['a', 'b', 'a', 'b'])
a = np.float32(y == 'a')

numpy将分类字符串数组转换为整数数组

9 个答案: