在 NumPy 中比较后是否可以返回字符串？

Question

我编写了一个代码，它将使用 CSV 比较数组中的字符串。 这是示例数据集

Doc   Cited_Doc
A     B | F | G
B     V | T
C     A | O | U | P | M

这是我的代码

Input = np.loadtxt('C1_100.csv', delimiter=',' , dtype='unicode')

NumOfDoc = len(Input[:,1])
NumOfCol = len(Input[1,:])

for i in range(1, NumOfDoc):
    Cited = Input[:,1]
    Citing = Input[:,0]

bb=1 

for i in range(1, NumOfDoc):
    for j in range(1, NumOfDoc):
        #aa = np.core.defchararray.equal(Citing, Cited)
        aa =  np.isin(Citing, Cited)
        CitingCited = []
        if np.all(aa!=0):
            if bb==1:
                #CitingCited = [Citing[j],Citing[i]]
                a = np.core.defchararray.add(Citing[j], Citing[i])
                CitingCited.append(a)
            if bb>1:
                #CitingCited[bb,1]= Citing[j]
                #CitingCited[bb,1]= Citing[j]
                CitingCited.append(Citing[j])
                CitingCited.append(Citing[j])

        bb=bb+1

print('CitingCited')

比较后我尝试打印aa，结果返回

array([True,True,False])

当我打印 CitingCited 时，返回结果

[]

但我希望在打印 CitingCited 时看到结果（返回 True 的结果）

a = np.core.defchararray.add(Citing[j], Citing[i])
                    CitingCited.append(a)

喜欢这个

Doc Cited_Doc
A     C
B     A

有什么建议吗？

Answer 1

让我们看看我是否可以重新创建您的数据：

In [1]: txt ="""A,B|F|G 
   ...: B,V|T 
   ...: C,A|O|U|P|M 
   ...: """                                                                                               
In [2]: data = np.loadtxt(txt.splitlines(),delimiter=',',dtype='unicode')                                 
In [3]: data                                                                                              
Out[3]: 
array([['A', 'B|F|G'],
       ['B', 'V|T'],
       ['C', 'A|O|U|P|M']], dtype='<U9')
In [4]: n,m = data.shape                                                                                  
In [5]: n,m                                                                                               
Out[5]: (3, 2)

然后你循环：

In [6]: for i in range(1,n): 
   ...:     cited=data[:,1] 
   ...:     citing=data[:,0] 
   ...:                                                                                                   
In [7]: cited                                                                                             
Out[7]: array(['B|F|G', 'V|T', 'A|O|U|P|M'], dtype='<U9')
In [8]: citing                                                                                            
Out[8]: array(['A', 'B', 'C'], dtype='<U9')

您没有在循环中使用i。为什么要循环？我正要问为什么 1 在循环中开始，但我意识到我的示例没有标题行，你正在跳过它。

无论如何，您现在拥有的是两个字符串 dtype 的一维数组。

在下一步中，您再次循环，两次，但又是整个列，而不是 i'th 或 j'th 元素。

In [12]: np.isin(citing, cited)                                                                           
Out[12]: array([False, False, False])

isin 应该检测到什么？它比较两个数组的元素。 citing 的所有元素都没有出现在 cited 中（是的，'B' 是 'B|F|G' 中的子字符串，但这不是 isin 正在测试的内容。

如果我们将citing 的元素拆分为“|”，我们可以测试cited。

In [18]: np.isin(['A','B','C'], ['B','F','G'])                                                            
Out[18]: array([False,  True, False])
In [20]: np.isin(['A','B','C'], ['V','T'])                                                                
Out[20]: array([False, False, False])
In [21]: np.isin(['A','B','C'], ['A','O','U'])                                                            
Out[21]: array([ True, False, False])

我们可以使用普通的字符串操作来测试在cited字符串中找到了哪些citing字符串：

In [27]: [s for s in citing if s in cited[0]]                                                             
Out[27]: ['B']
In [28]: [s for s in citing if s in cited[1]]                                                             
Out[28]: []
In [29]: [s for s in citing if s in cited[2]]                                                             
Out[29]: ['A']

我可以继续说下去，但很明显，这并不是numpy 的问题。想想而不是两个列表字符串。

事实上，让它更明确：

In [30]: Alist= citing.tolist(); Blist=cited.tolist()                                                     
In [31]: Alist, Blist                                                                                     
Out[31]: (['A', 'B', 'C'], ['B|F|G', 'V|T', 'A|O|U|P|M'])

而Blist 可以进一步拆分为列表列表：

In [32]: [s.split('|') for s in Blist]                                                                    
Out[32]: [['B', 'F', 'G'], ['V', 'T'], ['A', 'O', 'U', 'P', 'M']]

正如我在评论中所写，pandas 对字符串使用对象 dtype，而字符串是普通的 Python 字符串。 numpy 改为使用 <U9 字符串 dtypes。我对pandas的了解还不够，说它是否添加了字符串实用程序，但我怀疑普通的Python字符串实用程序就足够了。

np.char 具有将字符串方法应用于数组元素的函数。它们可能很方便，但它们不提供任何速度改进。

Out[32] 也可以拆分：

In [34]: np.char.split(cited, '|')                                                                        
Out[34]: 
array([list(['B', 'F', 'G']), list(['V', 'T']),
       list(['A', 'O', 'U', 'P', 'M'])], dtype=object)

core.defchararray 只是访问这些功能的另一种方式：

In [40]: np.core.defchararray.add                                                                         
Out[40]: <function numpy.char.add(x1, x2)>

您对两个列名使用Cited 和Citing 令人困惑。是的，它们的含义不同，但我不得不继续参考定义以跟踪哪个变量是哪个变量。一个是docs 的列表，另一个是引用列表。

我的建议 - 现在跳过整个 pandas 和 numpy 的用法，并专注于让字符串匹配正确。这是一个 Python 字符串列表问题。确保您的迭代在每一步都有意义！