将可变长度列表的Python序列隐式转换为NumPy数组会导致该数组的类型为 object 。
v = [[1], [1, 2]]
np.array(v)
>>> array([[1], [1, 2]], dtype=object)
尝试强制使用其他类型会导致异常:
np.array(v, dtype=np.int32)
ValueError: setting an array element with a sequence.
通过使用给定的占位符填充“缺失”值,获得int32类型的密集NumPy数组的最有效方法是什么?
从我的样本序列v
,如果0是占位符,我想得到类似的东西
array([[1, 0], [1, 2]], dtype=int32)
答案 0 :(得分:18)
您可以使用itertools.zip_longest:
import itertools
np.array(list(itertools.zip_longest(*v, fillvalue=0))).T
Out:
array([[1, 0],
[1, 2]])
注意:对于Python 2,它是itertools.izip_longest。
答案 1 :(得分:14)
这是一个几乎*矢量化的基于布尔索引的方法,我在其他几个帖子中使用过 -
def boolean_indexing(v):
lens = np.array([len(item) for item in v])
mask = lens[:,None] > np.arange(lens.max())
out = np.zeros(mask.shape,dtype=int)
out[mask] = np.concatenate(v)
return out
示例运行
In [27]: v
Out[27]: [[1], [1, 2], [3, 6, 7, 8, 9], [4]]
In [28]: out
Out[28]:
array([[1, 0, 0, 0, 0],
[1, 2, 0, 0, 0],
[3, 6, 7, 8, 9],
[4, 0, 0, 0, 0]])
*请注意,这创造了几乎矢量化,因为这里执行的唯一循环是在开始,我们得到列表元素的长度。但是那个计算要求不高的部分对总运行时间的影响应该很小。
运行时测试
在本节中,我正在计时DataFrame-based solution by @Alberto Garcia-Raboso
,itertools-based solution by @ayhan
,因为它们似乎可以很好地扩展,并且该帖子中的布尔索引基于一个相对较大的数据集,其中包含三个级别的大小变化元件。
案例#1:更大的尺寸变化
In [44]: v = [[1], [1,2,4,8,4],[6,7,3,6,7,8,9,3,6,4,8,3,2,4,5,6,6,8,7,9,3,6,4]]
In [45]: v = v*1000
In [46]: %timeit pd.DataFrame(v).fillna(0).values.astype(np.int32)
100 loops, best of 3: 9.82 ms per loop
In [47]: %timeit np.array(list(itertools.izip_longest(*v, fillvalue=0))).T
100 loops, best of 3: 5.11 ms per loop
In [48]: %timeit boolean_indexing(v)
100 loops, best of 3: 6.88 ms per loop
案例#2:较小的尺寸变化
In [49]: v = [[1], [1,2,4,8,4],[6,7,3,6,7,8]]
In [50]: v = v*1000
In [51]: %timeit pd.DataFrame(v).fillna(0).values.astype(np.int32)
100 loops, best of 3: 3.12 ms per loop
In [52]: %timeit np.array(list(itertools.izip_longest(*v, fillvalue=0))).T
1000 loops, best of 3: 1.55 ms per loop
In [53]: %timeit boolean_indexing(v)
100 loops, best of 3: 5 ms per loop
案例#3:每个列表元素的元素数量更多(最多100个)
In [139]: # Setup inputs
...: N = 10000 # Number of elems in list
...: maxn = 100 # Max. size of a list element
...: lens = np.random.randint(0,maxn,(N))
...: v = [list(np.random.randint(0,9,(L))) for L in lens]
...:
In [140]: %timeit pd.DataFrame(v).fillna(0).values.astype(np.int32)
1 loops, best of 3: 292 ms per loop
In [141]: %timeit np.array(list(itertools.izip_longest(*v, fillvalue=0))).T
1 loops, best of 3: 264 ms per loop
In [142]: %timeit boolean_indexing(v)
10 loops, best of 3: 95.7 ms per loop
对我而言,似乎 没有明确的赢家,但必须根据具体情况采取行动!< / p>
itertools.izip_longest
做得很好!
答案 2 :(得分:12)
Pandas及其DataFrame
- 与丢失的数据完美交易。
import numpy as np
import pandas as pd
v = [[1], [1, 2]]
print(pd.DataFrame(v).fillna(0).values.astype(np.int32))
# array([[1, 0],
# [1, 2]], dtype=int32)
答案 3 :(得分:2)
max_len = max(len(sub_list) for sub_list in v)
result = np.array([sub_list + [0] * (max_len - len(sub_list)) for sub_list in v])
>>> result
array([[1, 0],
[1, 2]])
>>> type(result)
numpy.ndarray
答案 4 :(得分:2)
以下是一般方法:
>>> v = [[1], [2, 3, 4], [5, 6], [7, 8, 9, 10], [11, 12]]
>>> max_len = np.argmax(v)
>>> np.hstack(np.insert(v, range(1, len(v)+1),[[0]*(max_len-len(i)) for i in v])).astype('int32').reshape(len(v), max_len)
array([[ 1, 0, 0, 0],
[ 2, 3, 4, 0],
[ 5, 6, 0, 0],
[ 7, 8, 9, 10],
[11, 12, 0, 0]], dtype=int32)
答案 5 :(得分:0)
您可以先尝试转换pandas数据框,然后再将其转换为numpy数组
ll = [[1, 2, 3], [4, 5], [6, 7, 8, 9]]
df = pd.DataFrame(ll)
print(df)
# 0 1 2 3
# 0 1 2 3.0 NaN
# 1 4 5 NaN NaN
# 2 6 7 8.0 9.0
npl = df.to_numpy()
print(npl)
# [[ 1. 2. 3. nan]
# [ 4. 5. nan nan]
# [ 6. 7. 8. 9.]]
答案 6 :(得分:0)
我的亚历山大答案出现了一个小小的广播错误,所以我在numpy.pad上做了一个小改动:
pad = len(max(X, key=len))
result = np.array([np.pad(i, (0, pad-len(i)), 'constant') for i in X])
答案 7 :(得分:0)
如果您想将相同的逻辑扩展到更深层次(列表列表,..),您可以使用 tensorflow 参差不齐的张量并转换为张量/数组。例如:
import tensorflow as tf
v = [[1], [1, 2]]
padded_v = tf.ragged.constant(v).to_tensor(0)
这将创建一个用 0 填充的数组。 或者更深层次的例子:
w = [[[1]], [[2],[1, 2]]]
padded_w = tf.ragged.constant(w).to_tensor(0)