将列表列转换为二维 numpy 数组

Question

我正在对 Pandas 数据框进行一些操作。 对于某个列，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：

array([array([0, 1, 2]), array([3, 4, 5])], dtype=object)

形状为 (2,)，表示无法识别内部数组。

如果我做s.reshape(2,-1) ，我得到(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 2D 数组导出，以便我可以在我的机器学习模型中使用它们。

Answer 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：只有当子列表都具有相同数量的元素时，这才有效。 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' ）。

Answer 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行为很像np.array ，在新的初始轴上加入元素：

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')

如果对象数组变成一个列表， np.array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，让我们制作一个更大的数组：

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方法略有np.array 。

stack像vstack根据需要扩大各元件的尺寸。 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）要转换为数组。 stack方法必须首先将每个子列表转换为数组。