将 Python 序列转换为 NumPy 数组,填充缺失值
- 2025-01-06 08:31:00
- admin 原创
- 122
问题描述:
将 Python 的可变长度列表序列隐式转换为 NumPy 数组,会导致该数组成为对象类型。
v = [[1], [1, 2]]
np.array(v)
>>> array([[1], [1, 2]], dtype=object)
尝试强制另一种类型将导致异常:
np.array(v, dtype=np.int32)
ValueError: setting an array element with a sequence.
通过使用给定的占位符填充“缺失”值,获取类型为 int32 的密集 NumPy 数组的最有效方法是什么?
从我的示例序列中v
,如果 0 是占位符,我希望得到类似这样的结果
array([[1, 0], [1, 2]], dtype=int32)
解决方案 1:
您可以使用itertools.zip_longest:
import itertools
np.array(list(itertools.zip_longest(*v, fillvalue=0))).T
Out:
array([[1, 0],
[1, 2]])
注意:对于 Python 2,它是itertools.izip_longest。
解决方案 2:
这是一个几乎*基于矢量化的布尔索引的方法,我在其他几篇文章中使用过 -
def boolean_indexing(v):
lens = np.array([len(item) for item in v])
mask = lens[:,None] > np.arange(lens.max())
out = np.zeros(mask.shape,dtype=int)
out[mask] = np.concatenate(v)
return out
示例运行
In [27]: v
Out[27]: [[1], [1, 2], [3, 6, 7, 8, 9], [4]]
In [28]: out
Out[28]:
array([[1, 0, 0, 0, 0],
[1, 2, 0, 0, 0],
[3, 6, 7, 8, 9],
[4, 0, 0, 0, 0]])
*请注意,这被称为几乎矢量化,因为这里执行的唯一循环是在开始时,我们在那里获取列表元素的长度。但这部分计算要求不高,对总运行时间的影响应该很小。
运行时测试
在本节中,我将进行计时DataFrame-based solution by @Alberto Garcia-Raboso
,itertools-based solution by @ayhan
因为它们似乎可以很好地扩展,并且来自这篇文章的基于布尔索引的索引适用于相对较大的数据集,并且列表元素的大小变化有三个级别。
案例 #1:尺寸差异较大
In [44]: v = [[1], [1,2,4,8,4],[6,7,3,6,7,8,9,3,6,4,8,3,2,4,5,6,6,8,7,9,3,6,4]]
In [45]: v = v*1000
In [46]: %timeit pd.DataFrame(v).fillna(0).values.astype(np.int32)
100 loops, best of 3: 9.82 ms per loop
In [47]: %timeit np.array(list(itertools.izip_longest(*v, fillvalue=0))).T
100 loops, best of 3: 5.11 ms per loop
In [48]: %timeit boolean_indexing(v)
100 loops, best of 3: 6.88 ms per loop
案例 #2:尺寸变化较小
In [49]: v = [[1], [1,2,4,8,4],[6,7,3,6,7,8]]
In [50]: v = v*1000
In [51]: %timeit pd.DataFrame(v).fillna(0).values.astype(np.int32)
100 loops, best of 3: 3.12 ms per loop
In [52]: %timeit np.array(list(itertools.izip_longest(*v, fillvalue=0))).T
1000 loops, best of 3: 1.55 ms per loop
In [53]: %timeit boolean_indexing(v)
100 loops, best of 3: 5 ms per loop
案例 #3:每个列表元素包含较多元素(最多 100 个)
In [139]: # Setup inputs
...: N = 10000 # Number of elems in list
...: maxn = 100 # Max. size of a list element
...: lens = np.random.randint(0,maxn,(N))
...: v = [list(np.random.randint(0,9,(L))) for L in lens]
...:
In [140]: %timeit pd.DataFrame(v).fillna(0).values.astype(np.int32)
1 loops, best of 3: 292 ms per loop
In [141]: %timeit np.array(list(itertools.izip_longest(*v, fillvalue=0))).T
1 loops, best of 3: 264 ms per loop
In [142]: %timeit boolean_indexing(v)
10 loops, best of 3: 95.7 ms per loop
对我来说,它似乎itertools.izip_longest
做得很好!没有明显的赢家,但必须根据具体情况进行选择!
解决方案 3:
Pandas 及其DataFrame
-s 可以很好地处理缺失数据。
import numpy as np
import pandas as pd
v = [[1], [1, 2]]
print(pd.DataFrame(v).fillna(0).values.astype(np.int32))
# array([[1, 0],
# [1, 2]], dtype=int32)
解决方案 4:
这是一个通用的方法:
>>> v = [[1], [2, 3, 4], [5, 6], [7, 8, 9, 10], [11, 12]]
>>> max_len = np.argmax(v)
>>> np.hstack(np.insert(v, range(1, len(v)+1),[[0]*(max_len-len(i)) for i in v])).astype('int32').reshape(len(v), max_len)
array([[ 1, 0, 0, 0],
[ 2, 3, 4, 0],
[ 5, 6, 0, 0],
[ 7, 8, 9, 10],
[11, 12, 0, 0]], dtype=int32)
解决方案 5:
max_len = max(len(sub_list) for sub_list in v)
result = np.array([sub_list + [0] * (max_len - len(sub_list)) for sub_list in v])
>>> result
array([[1, 0],
[1, 2]])
>>> type(result)
numpy.ndarray
解决方案 6:
如果您想要将相同的逻辑扩展到更深的层次(列表的列表的列表,...),您可以使用 tensorflow ragged 张量并转换为张量/数组。例如:
import tensorflow as tf
v = [[1], [1, 2]]
padded_v = tf.ragged.constant(v).to_tensor(0)
这将创建一个用 0 填充的数组。或者更深层次的例子:
w = [[[1]], [[2],[1, 2]]]
padded_w = tf.ragged.constant(w).to_tensor(0)
解决方案 7:
您可以尝试先转换 pandas 数据框,然后将其转换为 numpy 数组
ll = [[1, 2, 3], [4, 5], [6, 7, 8, 9]]
df = pd.DataFrame(ll)
print(df)
# 0 1 2 3
# 0 1 2 3.0 NaN
# 1 4 5 NaN NaN
# 2 6 7 8.0 9.0
npl = df.to_numpy()
print(npl)
# [[ 1. 2. 3. nan]
# [ 4. 5. nan nan]
# [ 6. 7. 8. 9.]]
解决方案 8:
我在 Alexander 的回答中遇到了 numpy 广播错误,因此我使用numpy.pad添加了一个小变化:
pad = len(max(X, key=len))
result = np.array([np.pad(i, (0, pad-len(i)), 'constant') for i in X])