Python：如何将字符串数组转换为因子列表

Question

Python 2.7，numpy，以因子列表的形式创建级别。

我有一个列出自变量的数据文件，最后一列表示类。例如：

2.34,4.23,0.001, ... ,56.44,2.0,"cloudy with a chance of rain"

使用 numpy，我将所有数字列读入矩阵，最后一列读入我称为“类”的数组。事实上，我事先并不知道类名，所以我不想使用字典。我也不想使用熊猫。这是一个问题的例子：

classes = ['a', 'b', 'c', 'c', 'b', 'a', 'a', 'd']
type (classes)
<type 'list'>
classes = numpy.array(classes)
type(classes)
<type 'numpy.ndarray'>
classes
array(['a', 'b', 'c', 'c', 'b', 'a', 'a', 'd'],
      dtype='|S1')
# requirements call for a list like this:
# [0, 1, 2, 2, 1, 0, 3]

请注意，目标类可能非常稀疏，例如“z”，在 100,000 个案例中可能只有 1 个。另请注意，这些类可能是任意文本字符串，例如科学名称。

我正在使用带有 numpy 的 Python 2.7，但我被我的环境困住了。此外，数据已经过预处理，因此已缩放并且所有值都有效 - 我不想在处理数据之前再次预处理数据以提取唯一类并构建字典。我真正在寻找的是 Python 等效于 R 中的 stringAsFactors 参数，它会在脚本读取数据时自动将字符串向量转换为因子向量。

不要问我为什么要使用 Python 而不是 R - 我会按照别人说的去做。

谢谢，抄送。

Answer 1

您可以使用 np.unique 和 return_inverse=True 来返回唯一的类名和一组相应的整数索引：

import numpy as np

classes = np.array(['a', 'b', 'c', 'c', 'b', 'a', 'a', 'd'])

classnames, indices = np.unique(classes, return_inverse=True)

print(classnames)
# ['a' 'b' 'c' 'd']

print(indices)
# [0 1 2 2 1 0 0 3]

print(classnames[indices])
# ['a' 'b' 'c' 'c' 'b' 'a' 'a' 'd']

类名将按词法排序。