Question

问题：

给定一个字符串数据数组

dataSet = np.array(['kevin', 'greg', 'george', 'kevin'], dtype='U21'),

我想要一个返回索引数据集的函数

indexed_dataSet = np.array([0, 1, 2, 0], dtype='int')

和查找表

lookupTable = np.array(['kevin', 'greg', 'george'], dtype='U21')

这样

(lookupTable[indexed_dataSet] == dataSet).all()

是真的。请注意，indexed_dataSet和lookupTable都可以被置换，以便上述成立并且没有问题（即lookupTable的顺序不一定等于首次出现的顺序在dataSet）。

慢速解决方案：

我目前有以下慢速解决方案

def indexDataSet(dataSet):
    """Returns the indexed dataSet and a lookup table
       Input:
           dataSet         : A length n numpy array to be indexed
       Output:
           indexed_dataSet : A length n numpy array containing values in {0, len(set(dataSet))-1}
           lookupTable     : A lookup table such that lookupTable[indexed_Dataset] = dataSet"""
    labels = set(dataSet)
    lookupTable = np.empty(len(labels), dtype='U21')
    indexed_dataSet = np.zeros(dataSet.size, dtype='int')
    count = -1
    for label in labels:
        count += 1
        indexed_dataSet[np.where(dataSet == label)] = count
        lookupTable[count] = label

    return indexed_dataSet, lookupTable

有更快的方法吗？我觉得我并没有在这里充分利用numpy。

Answer 1

您可以将np.unique与return_inverse参数一起使用：

>>> lookupTable, indexed_dataSet = np.unique(dataSet, return_inverse=True)
>>> lookupTable
array(['george', 'greg', 'kevin'], 
      dtype='<U21')
>>> indexed_dataSet
array([2, 1, 0, 2])

如果您愿意，可以从这两个数组中重建原始数组：

>>> lookupTable[indexed_dataSet]
array(['kevin', 'greg', 'george', 'kevin'], 
      dtype='<U21')

如果您使用pandas，lookupTable, indexed_dataSet = pd.factorize(dataSet)将实现相同的目标（并且可能对大型数组更有效）。

Answer 2

np.searchsorted可以解决问题：

dataSet = np.array(['kevin', 'greg', 'george', 'kevin'], dtype='U21'), 
lut = np.sort(np.unique(dataSet))  # [u'george', u'greg', u'kevin']
ind = np.searchsorted(lut,dataSet) # array([[2, 1, 0, 2]])

将NumPy字符串数组映射到整数

2 个答案: