數據框成numpy數組，逗號分隔

Question

場景

我已經將csv（\\ t分隔）讀入了一個Dataframe，現在需要采用numpy數組格式進行聚類，而無需更改類型

問題

到目前為止，根據嘗試的引用（如下），我未能按要求獲得輸出。 我嘗試獲取的兩列值在int64 / float64中，如下所示

         uid   iid       rat
0        196   242  3.000000
1        186   302  3.000000
2         22   377  1.000000

目前，我僅對iid和rat感興趣，並將其傳遞給Kmeans.fit（）方法，而在EPSILON中也是如此。 我需要以下格式

預期格式

[[242, 3.000000],
[302, 3.000000],
[22, 1.000000]]

嘗試失敗

X = values[:, 1:2]
Y = values[:, 2:3]
someArray = np.array([X,Y])
print someArray

並沒有告別執行

[[[  2.42000000e+02]
  [  3.02000000e+02]
  [  3.77000000e+02]
  ..., 
  [  1.35200000e+03]
  [  1.62600000e+03]
  [  1.65900000e+03]]
 [[  3.00000000e+00]
  [  3.00000000e+00]
  [  1.00000000e+00]
  ..., 
  [  1.00000000e+00]
  [  1.00000000e+00]
  [  1.00000000e+00]]]

迄今為止無用的參考文獻

1. 這個
2. 這兩個
3. 這三個
4. 這四個

編輯1

嘗試np_df = np.genfromtxt('AllData.csv', delimiter='\\t', unpack=True)並得到了這個

[[             nan   1.96000000e+02   1.86000000e+02 ...,   4.79000000e+02
    4.79000000e+02   4.79000000e+02]
 [             nan   2.42000000e+02   3.02000000e+02 ...,   1.36000000e+03
    1.39400000e+03   1.65200000e+03]
 [             nan   3.00000000e+00   3.00000000e+00 ...,   2.00000000e+00
    1.92803605e+00   1.00000000e+00]]

Answer 1

使用基於標簽的選擇和所得pandas對象的.values屬性，它們將是某種numpy數組：

>>> df
   uid  iid  rat
0  196  242  3.0
1  186  302  3.0
2   22  377  1.0
>>> df.loc[:,['iid','rat']]
   iid  rat
0  242  3.0
1  302  3.0
2  377  1.0
>>> df.loc[:,['iid','rat']].values
array([[ 242.,    3.],
       [ 302.,    3.],
       [ 377.,    1.]])

注意，您的整數列將被提升為浮點型。

還要注意，可以通過不同的方式來進行此特定選擇：

>>> df.iloc[:, 1:] # integer-position based
   iid  rat
0  242  3.0
1  302  3.0
2  377  1.0
>>> df[['iid','rat']] # plain indexing performs column-based selection
   iid  rat
0  242  3.0
1  302  3.0
2  377  1.0

我喜歡基於標簽的標簽，因為它更明確。

編輯

您看不到逗號的原因是如何打印numpy數組：

>>> df[['iid','rat']].values
array([[ 242.,    3.],
       [ 302.,    3.],
       [ 377.,    1.]])
>>> print(df[['iid','rat']].values)
[[ 242.    3.]
 [ 302.    3.]
 [ 377.    1.]]

實際上，這是numpy數組的str和repr結果之間的區別 ：

>>> print(repr(df[['iid','rat']].values))
array([[ 242.,    3.],
       [ 302.,    3.],
       [ 377.,    1.]])
>>> print(str(df[['iid','rat']].values))
[[ 242.    3.]
 [ 302.    3.]
 [ 377.    1.]]

Answer 2

為什么不將'csv'導入為numpy數組？

import numpy as np 
def read_file( fname): 
    return np.genfromtxt( fname, delimiter="/t", comments="%", unpack=True) 

Answer 3

看來您首先需要read_csv的DataFrame首先僅過濾第二和第三列，然后按values轉換為numpy數組：從sklearn.cluster以pd格式導入pandas從pandas.compat導入KMeans導入StringIO

temp=u"""col,iid,rat
4,1,0
5,2,4
6,3,3
7,4,1"""
#after testing replace 'StringIO(temp)' to 'filename.csv'
df = pd.read_csv(StringIO(temp), usecols = [1,2])
print (df)
   iid  rat
0    1    0
1    2    4
2    3    3
3    4    1

X = df.values 
print (X)
[[1 0]
 [2 4]
 [3 3]
 [4 1]]

kmeans = KMeans(n_clusters=2)
a = kmeans.fit(X)
print (a)
KMeans(algorithm='auto', copy_x=True, init='k-means++', max_iter=300,
    n_clusters=2, n_init=10, n_jobs=1, precompute_distances='auto',
    random_state=None, tol=0.0001, verbose=0)