将 NumPy 字符串数组映射到整数答案

【问题标题】：Map a NumPy array of strings to integers将 NumPy 字符串数组映射到整数
【发布时间】：2016-08-09 03:55:45
【问题描述】：

问题：

给定一个字符串数据数组

dataSet = np.array(['kevin', 'greg', 'george', 'kevin'], dtype='U21'),

我想要一个返回索引数据集的函数

indexed_dataSet = np.array([0, 1, 2, 0], dtype='int')

还有一个查找表

lookupTable = np.array(['kevin', 'greg', 'george'], dtype='U21')

这样

(lookupTable[indexed_dataSet] == dataSet).all()

是真的。请注意，indexed_dataSet 和lookupTable 都可以置换，以使上述内容成立，这很好（即，lookupTable 的顺序不必等同于dataSet 中的首次出现顺序）。

慢速解决方案：

我目前有以下慢速解决方案

def indexDataSet(dataSet):
    """Returns the indexed dataSet and a lookup table
       Input:
           dataSet         : A length n numpy array to be indexed
       Output:
           indexed_dataSet : A length n numpy array containing values in {0, len(set(dataSet))-1}
           lookupTable     : A lookup table such that lookupTable[indexed_Dataset] = dataSet"""
    labels = set(dataSet)
    lookupTable = np.empty(len(labels), dtype='U21')
    indexed_dataSet = np.zeros(dataSet.size, dtype='int')
    count = -1
    for label in labels:
        count += 1
        indexed_dataSet[np.where(dataSet == label)] = count
        lookupTable[count] = label

    return indexed_dataSet, lookupTable

有没有更快的方法来做到这一点？我觉得我在这里没有充分发挥 numpy 的潜力。

【问题讨论】：

标签： python arrays string performance numpy

【解决方案1】：

您可以将np.unique 与return_inverse 参数一起使用：

>>> lookupTable, indexed_dataSet = np.unique(dataSet, return_inverse=True)
>>> lookupTable
array(['george', 'greg', 'kevin'], 
      dtype='<U21')
>>> indexed_dataSet
array([2, 1, 0, 2])

如果你愿意，你可以从这两个数组重构你的原始数组：

>>> lookupTable[indexed_dataSet]
array(['kevin', 'greg', 'george', 'kevin'], 
      dtype='<U21')

如果您使用 pandas，lookupTable, indexed_dataSet = pd.factorize(dataSet) 将实现相同的效果（并且对于大型数组可能更有效）。

【讨论】：

【解决方案2】：

np.searchsorted 成功了：

dataSet = np.array(['kevin', 'greg', 'george', 'kevin'], dtype='U21'), 
lut = np.sort(np.unique(dataSet))  # [u'george', u'greg', u'kevin']
ind = np.searchsorted(lut,dataSet) # array([[2, 1, 0, 2]])

【讨论】：