Question

我想知道正常化/标准化numpy recarray的最佳方法是什么。为了说清楚，我不是在谈论一个数学矩阵，而是一个记录数组，它也有例如文本列（例如标签）。

a = np.genfromtxt("iris.csv", delimiter=",", dtype=None)
print a.shape
> (150,)

正如你所看到的，我不能，例如处理a[:,:-1]，因为形状是一维的。

我发现最好的是迭代所有列：

for nam in a.dtype.names[:-1]:
    col = a[nam]
    a[nam] = (col - col.min()) / (col.max() - col.min())

更优雅的方式吗？是否有某些方法，如“标准化”或“标准化”某处？

Answer 1

有很多方法可以做到，但有些方法比其他方法更清洁。

通常，在numpy中，将字符串数据保存在单独的数组中。

（事情比R的数据框要低一些。你通常只是在一个类中包含关联，但保持不同的数据类型分开。）

老实说，numpy并没有针对处理这种“灵活”数据类型进行优化（虽然它肯定可以做到）。 pandas之类的东西为“类似电子表格”的数据提供了更好的界面（而且大熊猫只是numpy之上的一层）。

但是，当您传入字段名称列表时，结构化数组（这里是您所拥有的）将允许您按列进行切片。（例如data[['col1', 'col2', 'col3']]）

无论如何，一种方法是做这样的事情：

import numpy as np

data = np.recfromcsv('iris.csv')

# In this case, it's just all but the last, but we could be more general
# This must be a list and not a tuple, though.
float_fields = list(data.dtype.names[:-1])

float_dat = data[float_fields]

# Now we just need to view it as a "regular" 2D array...
float_dat = float_dat.view(np.float).reshape((data.size, -1))

# And we can normalize columns as usual.
normalized = (float_dat - float_dat.min(axis=0)) / float_dat.ptp(axis=0)

然而，这远非理想。如果你想就地进行操作（就像你现在的那样），最简单的解决方案就是你已经拥有的：只需迭代字段名称即可。

顺便说一句，使用pandas，您可以执行以下操作：

import pandas
data = pandas.read_csv('iris.csv', header=None)

float_dat = data[data.columns[:-1]]
dmin, dmax = float_dat.min(axis=0), float_dat.max(axis=0)

data[data.columns[:-1]] = (float_dat - dmin) / (dmax - dmin)

Answer 2

您使用的是哪种版本的NumPy？在1.5.1版本中，我没有得到这种行为。我以短文本文件为例，保存为test.txt：

last,first,country,state,zip
tyson,mike,USA,Nevada,89146
brady,tom,USA,Massachusetts,02035

当我执行以下代码时，这就是我得到的：

>>> import numpy as np
>>> a = np.genfromtxt("/home/ely/Desktop/Python/test.txt",delimiter=',',dtype=None)
>>> print a.shape
(3,5)
>>> print a
[['last' 'first' 'country' 'state' 'zip']
 ['tyson' 'mike' 'USA' 'Nevada' '89146']
 ['brady' 'tom' 'USA' 'Massachusetts' '02035']]
>>> print a[0,:-1]
['last' 'first' 'country' 'state']
>>> print a.dtype.names
None

我只是想知道你的数据有什么不同。

规范化/标准化numpy重新排列

2 个答案: