将字符串的NumPy数组映射为整数

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')

和一个查询表

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都可以进行排列，以使上述内容成立并且很好（即，的顺序不必lookupTable等于中的首次出现的顺序dataSet）。

解决方法：

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？我觉得我没有在这里充分利用numpy的潜力。

Answer 1

您可以使用np.unique以下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])

如果愿意，可以从以下两个数组重建原始数组：

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

如果使用熊猫，lookupTable, indexed_dataSet = pd.factorize(dataSet)将实现相同的效果（对于大型阵列，可能会更有效）。