更快地计算numpy数组python中字符串出现次数的方法

Question

我有一个numpy元组：

trainY = np.array([('php', 'image-processing', 'file-upload', 'upload', 'mime-types'),
                   ('firefox',), ('r', 'matlab', 'machine-learning'),
                   ('c#', 'url', 'encoding'), ('php', 'api', 'file-get-contents'),
                   ('proxy', 'active-directory', 'jmeter'), ('core-plot',),
                   ('c#', 'asp.net', 'windows-phone-7'),
                   ('.net', 'javascript', 'code-generation'),
                   ('sql', 'variables', 'parameters', 'procedure', 'calls')], dtype=object)

我给出了这个np.array子集的索引列表：

x = [0, 4]

和一个字符串：

label = 'php'

我想计算标签'php'在np.array的这个子集中出现的次数。 在这种情况下，答案是2。

笔记：

1）标签只会出现在元组中的最多ONCE

2）元组的长度可以是1到5。

3）列表x长度通常为7-50。

4） trainY长度约为0.8mil

我目前的代码是：

sum([1 for n in x if label in trainY[n]])

这是我的程序的性能瓶颈，我正在寻找一种方法来使它更快。 我想我们可以跳过x的循环，只是做一个矢量化的查找trainY就像trainY[x]但我无法得到一些trainY[x]东西。

谢谢。

Answer 1

我认为在这种情况下使用计数器可能是一个不错的选择。

from collections import Counter

c = Counter([i for j in trainY for i in j])

print c['php'] # Returns 2
print c.most_common(5) # Print the 5 most common items.

Answer 2

使用np.in1d平数组后，可以使用np.in1d ：

trainY = np.array([i for j in trainY for i in j])
ans = np.in1d(trainY, 'php').sum()
# 2

Answer 3

考虑构建一个表单字典：

{'string1': (1,2,5),
 'string2': (3,4,5),
 ...
}

对于每个单词，保存它在元组中出现的索引的排序列表。 希望它有意义......