numpy 修剪字节字符串中的尾随零

Question

我正在尝试将 spacy.io 文档序列化为字节字符串并将它们保存在 numpy 数组中。

spacy 有一个生成 bytearray 的 to_bytes 函数。我在此 bytearray 上调用 str 并将该字符串对象插入到 numpy 数组中。这适用于大多数文档，但以尾随零字节结尾的文档除外。

重现：

>>> import numpy as np
>>> b_arr = bytearray(b'\xca\x00\x00\x00n\xff\xff\xff\x19C\x98\xc9\x06\xb18{\xa5\xe0\xaf6\xe3\x9f\xa7\xad\x86\xd6\x8d\xc0\xe6Mo;{\x96xm\x80\xe5\x8c\x9f<!\xc33\x9dg\xd3\xb3D\xf6\xac\x03P\x8do\x07m$r)\x06XBI\xc87\xcao\x83\x1d\xe4\r]\x86\xda\xeb\xb8\x1f\xd5\xcb\xde\xaa\x85r\x0f\xf1=p\xd6\x01\xdc\x83Z|&\xeb\xce|\xf9o\xa0\xe99x\x87\x87\xac\x1b\x17\x08\x000\x92\x10A\x98\x10\x13\x89( 0\x88 "!*N\xf8\xe6\xf4\r\xb1e\xf0\x9d\xfd\x80\xa2G2\x18\xdesv\xec\x85\xf7\xb1\xb3\xb3\xa68\xa7n\xe8BF\xa6\xe0\xb1\x8d\x8d\x9c\xe5\x99\x9bV\xfcE`\x1cI\x92$I\x92$I\x92$%I\x92\xe4\xff\xff\x7f\xd1\xff\xf0T\xa6\xe8\n\x9a\xd3\xffMe0\xa9\x15\xf1|\x00')
>>> b_arr_text = str(b_arr)
>>> b_arr_np = np.asarray([b_arr_text], dtype=np.str)
>>> b_arr_text == b_arr_np[0]
Out[229]: False
>>> len(b_arr_text)
Out[230]: 206
>>> len(b_arr_np[0])
Out[231]: 205
>>> b_arr_np.dtype
Out[232]: dtype('S206')

numpy 字符串 trim 包含任何尾随零，但固定长度字符串的数据类型与输入文本的长度相同。

您甚至可以通过在数组中创建尾随零字节的任何字节串来看到这一点：

>>> np.asarray(['\xca\x00\x00\x00'], dtype=np.str)

Out: array(['\xca'], dtype='|S4')

我假设 numpy 认为尾随零无关紧要？但是我无法将这些字节串反序列化回 spacy 文档对象。

有什么方法可以让 numpy 不 trim 尾随零，还是我必须坚持使用 Python 列表？

Answer 1

这是正常行为。在 b_arr_np.tostring() 之后，您可以看到所有尾随零都是有序的。

b_arr = bytearray(b'\xca\x00\x00\x00')

b_arr_text = str(b_arr)

b_arr_np = np.asarray([b_arr_text], dtype=np.str)

b_arr_np
Out[303]: 
array(['\xca'], 
      dtype='|S4')

b_arr_np.tostring()
Out[304]: '\xca\x00\x00\x00'

从 github 检查 post information loss with bytes type。问题要么使用 trailng 非零字节，要么使用 dtype=uint8 和 b_arr:

b_arr_np = np.asarray([b_arr], dtype=np.uint8)

b_arr_np
Out[319]: array([[202,   0,   0,   0]], dtype=uint8)

b_arr_np.tostring()

Out[320]: '\xca\x00\x00\x00'

Answer 2

你想要 np.void dtype。

字符串或字节数组将始终切掉尾随零。

a = np.array([b"\x00\x00"], dtype=np.str)
a
# Out: array([''], dtype='<U2')
a[0]
# Out: ''

但是空数组不会。

a = np.array([b"\x00\x00"], dtype=np.void)
a
# Out: array([b'\x00\x00'], dtype='|V2')
a[0]
# Out: void(b'\x00\x00')

每个数组元素现在都包裹在 void(...) 中，但您可以使用以下任一方法解决此问题：

a[0].item()
# Out: b'\x00\x00'

或整个数组：

a = a.astype(object)
a
# Out: array([b'\x00\x00'], dtype=object)
a[0]
# Out: b'\x00\x00'

如果替换行

b_arr_np = np.asarray([b_arr_text], dtype=np.str)

和

b_arr_np = np.asarray([b_arr_text], dtype=np.void).astype(object)

然后您的示例将按照您的预期运行。

numpy 修剪字节字符串中的尾随零

numpy trimming trailing zeros in byte strings

python

string

numpy

spacy