将列表列转换为 2D numpy 数组
Posted
技术标签:
【中文标题】将列表列转换为 2D numpy 数组【英文标题】:Convert column of lists to 2D numpy array 【发布时间】:2019-06-11 00:36:42 【问题描述】:我正在对 Pandas 数据框进行一些操作。对于某一列,我需要将每个单元格转换为一个不难的 numpy 数组。最终目标是从整个列中获得一个二维数组。但是,当我执行以下操作时,我得到了一个一维数组,并且无法识别内部数组。
df = pd.DataFrame('col': ['abc', 'def'])
mapping = v: k for k, v in enumerate('abcdef')
df['new'] = df['col'].apply(lambda x: list(x))
df['new'].apply(lambda x: np.array([mapping[i] for i in x])).values
这给出了:
array([array([0, 1, 2]), array([3, 4, 5])], dtype=object)
且形状为 (2,),表示无法识别内部数组。
如果我使用s.reshape(2,-1)
,我会得到(2,1)
而不是(2,3)
的形状。
感谢任何帮助!
澄清:
以上只是一个玩具示例。我正在做的是使用 IMDB 数据集对机器学习进行预处理。我必须将评论列中的每个值转换为一个词嵌入,它是一个 numpy 数组。现在的挑战是将所有这些数组作为二维数组取出,以便我可以在我的机器学习模型中使用它们。
【问题讨论】:
np.array(df['new'].values.tolist())
或 np.stack(df['new'])
@user3483203 tolist()
将意味着它不再是一个数组
@roganjosh 不确定您的意思。如果你省略了tolist
,你将得到一个形状为(2,)
的对象数组
@user3483203 但仍然是一个 numpy 数组,您可以尝试(如果处于合适的状态)转换其类型。 tolist()
将其放到 python 列表中,您只是要将其转换回数组?你可以把它留在.values
吗?还是我错过了什么
@George 你在 Pandas 单元格中寻找嵌套数组吗?
【参考方案1】:
我认为直接从列表值创建一个数组会更好。
df
col new
0 abc [a, b, c]
1 def [d, e, f]
arr = np.array(df['new'].tolist())
arr
# array([['a', 'b', 'c'],
# ['d', 'e', 'f']], dtype='<U1')
arr.shape
# (2, 3)
大免责声明:这仅在子列表都具有相同数量的元素时才有效。如果不是,则意味着它们是参差不齐的数组,并且 numpy 将无法使用有效的内存格式来表示您的数组(因此,dtype='object'
)。
【讨论】:
concatenate
(或其stack
女儿)会将一维对象数组视为列表,并尝试将子数组合并为一个。
@hpaulj 我猜它会慢很多,因为concatenate
正在使用对象数组,对吧?
我们需要做一些计时:)
@hpaulj np.stack(df[['new']].values, axis=1)
是否为您提供形状 (2,3) 的二维数组?它似乎不起作用,它们仍然是我的清单。
axis=0
是复制np.array
的版本。【参考方案2】:
In [2]: import pandas as pd
In [3]: df = pd.DataFrame('col': ['abc', 'def'])
...: mapping = v: k for k, v in enumerate('abcdef')
...: df['new'] = df['col'].apply(lambda x: list(x))
In [7]: df['new']
Out[7]:
0 [a, b, c]
1 [d, e, f]
Name: new, dtype: object
In [8]: df['new'].values
Out[8]: array([list(['a', 'b', 'c']), list(['d', 'e', 'f'])], dtype=object)
np.stack
的行为很像 np.array
,在新的初始轴上连接元素:
In [9]: np.stack(df['new'].values)
Out[9]:
array([['a', 'b', 'c'],
['d', 'e', 'f']], dtype='<U1')
或在您选择的另一个轴上:
In [10]: np.stack(df['new'].values, axis=1)
Out[10]:
array([['a', 'd'],
['b', 'e'],
['c', 'f']], dtype='<U1')
np.array
在对象数组变成列表时也可以工作(如@coldspeed 所示):
In [11]: df['new'].values.tolist()
Out[11]: [['a', 'b', 'c'], ['d', 'e', 'f']]
In [12]: np.array(df['new'].values.tolist())
Out[12]:
array([['a', 'b', 'c'],
['d', 'e', 'f']], dtype='<U1')
至于速度,让我们做一个更大的数组:
In [16]: arr = np.frompyfunc(lambda x: np.arange(1000),1,1)(np.arange(1000))
In [17]: arr.shape
Out[17]: (1000,)
In [18]: np.stack(arr).shape
Out[18]: (1000, 1000)
In [20]: np.array(arr.tolist()).shape
Out[20]: (1000, 1000)
In [21]: timeit np.stack(arr).shape
5.24 ms ± 190 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
In [22]: timeit np.array(arr.tolist()).shape
4.45 ms ± 138 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
基本相同,与np.array
方法相比略有优势。
stack
like vstack
根据需要扩展每个元素的维度。用concatenate
跳过它会快一点:
In [27]: timeit np.concatenate(arr).reshape(-1,1000).shape
4.04 ms ± 12.3 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
这个arr
包含数组。如果它包含列表而不是 array(arr.tolist())
方法会更好(相对),因为它只有一个列表(列表)转换为数组。 stack
方法必须首先将每个子列表转换为数组。
【讨论】:
以上是关于将列表列转换为 2D numpy 数组的主要内容,如果未能解决你的问题,请参考以下文章
如何将稀疏的 pandas 数据帧转换为 2d numpy 数组