Asigna un conjunto de cadenas NumPy a enteros
Problema:
Dada una matriz de datos de cadena
dataSet = np.array(['kevin', 'greg', 'george', 'kevin'], dtype='U21'),
Me gustaría una función que devuelva el conjunto de datos indexados
indexed_dataSet = np.array([0, 1, 2, 0], dtype='int')
y una tabla de búsqueda
lookupTable = np.array(['kevin', 'greg', 'george'], dtype='U21')
tal que
(lookupTable[indexed_dataSet] == dataSet).all()
es verdad. Tenga en cuenta que elindexed_dataSet
ylookupTable
ambos pueden permutarse de manera tal que lo anterior se cumpla y eso está bien (es decir, no es necesario que el orden delookupTable
es equivalente al orden de la primera aparición endataSet
)
Solución lenta
Actualmente tengo la siguiente solución lenta
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
¿Hay una manera más rápida de hacer esto? Siento que no estoy usando numpy en todo su potencial aquí.