将NumPy字符串数组映射到整数

Question

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')

和查找表

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

这样的

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

是真的.注意,indexed_dataSet并且lookupTable都可以被置换,使得上述成立并且很好(即,顺序不必lookupTable等于第一次出现的顺序dataSet).

慢解决方案:

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

有更快的方法吗？我觉得我并没有在这里充分利用numpy.

Answer 1

您可以使用np.unique与return_inverse参数:

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

如果您愿意,可以从这两个数组重建原始数组:

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

如果您使用pandas,lookupTable, indexed_dataSet = pd.factorize(dataSet)将实现相同的功能(并且可能对大型数组更有效).

Answer 2

np.searchsorted可以解决这个问题：

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]])