我正在尝试将分类变量的字符串数组转换为分类变量的整数数组。
例如
import numpy as np
a = np.array( ['a', 'b', 'c', 'a', 'b', 'c'])
print a.dtype
>>> |S1
b = np.unique(a)
print b
>>> ['a' 'b' 'c']
c = a.desired_function(b)
print c, c.dtype
>>> [1,2,3,1,2,3] int32
我意识到这可以通过循环来完成，但我想有一种更简单的方法。谢谢。
【问题讨论】：
标签： python statistics numpy machine-learning
np.unique 有一些可选的返回
return_inverse 给出了我经常使用的整数编码
>>> b, c = np.unique(a, return_inverse=True)
>>> b
array(['a', 'b', 'c'],
dtype='|S1')
>>> c
array([0, 1, 2, 0, 1, 2])
>>> c+1
array([1, 2, 3, 1, 2, 3])
它可以用来从uniques重新创建原始数组
>>> b[c]
array(['a', 'b', 'c', 'a', 'b', 'c'],
dtype='|S1')
>>> (b[c] == a).all()
True
【讨论】：
……多年后……
为了完整性（因为答案中没有提到）和个人原因（我总是在我的模块中导入了pandas，但不一定是sklearn），这也很简单pandas.get_dummies()
import numpy as np
import pandas
In [1]: a = np.array(['a', 'b', 'c', 'a', 'b', 'c'])
In [2]: b = pandas.get_dummies(a)
In [3]: b
Out[3]:
a b c
0 1 0 0
1 0 1 0
2 0 0 1
3 1 0 0
4 0 1 0
5 0 0 1
In [3]: b.values.argmax(1)
Out[4]: array([0, 1, 2, 0, 1, 2])
【讨论】：
一种方法是使用scikits.statsmodels 中的categorical 函数。例如：
In [60]: from scikits.statsmodels.tools import categorical
In [61]: a = np.array( ['a', 'b', 'c', 'a', 'b', 'c'])
In [62]: b = categorical(a, drop=True)
In [63]: b.argmax(1)
Out[63]: array([0, 1, 2, 0, 1, 2])
categorical (b) 的返回值实际上是一个设计矩阵，因此调用上面的argmax 使其接近您想要的格式。
In [64]: b
Out[64]:
array([[ 1., 0., 0.],
[ 0., 1., 0.],
[ 0., 0., 1.],
[ 1., 0., 0.],
[ 0., 1., 0.],
[ 0., 0., 1.]])
【讨论】：
另一种选择是使用分类熊猫系列：
>>> import pandas as pd
>>> pd.Series(['a', 'b', 'c', 'a', 'b', 'c'], dtype="category").cat.codes.values
array([0, 1, 2, 0, 1, 2], dtype=int8)
【讨论】：
另一种方法是使用sklearn.preprocessing.LabelEncoder
它可以将字符串等可哈希标签转换为介于 0 和n_classes-1 之间的数值。
这样做是这样的：
# Repeating setup from the question to make example copy/paste-able
import numpy as np
a = np.array( ['a', 'b', 'c', 'a', 'b', 'c'])
b = np.unique(a)
# Answer to the question
from sklearn import preprocessing
pre = preprocessing.LabelEncoder()
pre.fit(b)
c = pre.transform(a)
print(c) # Prints [0 1 2 0 1 2]
如果您坚持让结果数组中的值从 1 开始，您可以在之后简单地执行 c + 1。
将 sklearn 作为项目的依赖项引入只是为了做到这一点可能不值得，但如果您已经导入了 sklearn，这是一个不错的选择。
【讨论】：
'a' 是0，因为它是第一个看到的字符串。
另一种方法是使用 Pandas factorize 将项目映射到数字：
In [1]: import numpy as np
In [2]: import pandas as pd
In [3]: a = np.array(['a', 'b', 'c', 'a', 'b', 'c'])
In [4]: a_enc = pd.factorize(a)
In [5]: a_enc[0]
Out[5]: array([0, 1, 2, 0, 1, 2])
In [6]: a_enc[1]
Out[6]: array(['a', 'b', 'c'], dtype=object)
【讨论】：
嗯，这是一个 hack……但它有帮助吗？
In [72]: c=(a.view(np.ubyte)-96).astype('int32')
In [73]: print(c,c.dtype)
(array([1, 2, 3, 1, 2, 3]), dtype('int32'))
【讨论】：
...又过了几年...
我想我会提供一个纯粹的 python 解决方案来保证完整性：
def count_unique(a):
def counter(item, c=[0], items={}):
if item not in items:
items[item] = c[0]
c[0] += 1
return items[item]
return map(counter, a)
a = [0, 2, 6, 0, 2]
print count_unique(a)
>> [0, 1, 2, 0, 1]
【讨论】：
你也可以试试这样的：
a = np.array( ['a', 'b', 'c', 'a', 'b', 'c'])
a[a == 'a'] = 1
a[a == 'b'] = 2
a[a == 'c'] = 3
a = a.astype(np.float32)
如果你知道里面有什么并希望为每个值设置特定的索引会更好。
如果只有两个类别，下一个代码将像魅力一样工作：
a = np.array( ['a', 'b', 'a', 'b'])
a = np.float32(y == 'a')
【讨论】：