计算对象数据类型重新排列中值的频率

Question

这是我的输入：

data = np.array ([( 'a1' , np.NaN , 'a2' ), 
                  ( 'a1' , 'b2' , 'b1' ),  
                  ( 'c1' , 'c1' , np.NaN )], 
                 dtype = [( 'A' , object ), 
                          ( 'B' , object ), 
                          ( 'C' , object )] ).view (np.recarray)

我想计算变量取的每个值的频率，我希望输出看起来像（比如输入 freq('A')）：

array [ ( 'a1' , 2 ) , ( 'c1' , 1 ) ]

我试过 np.bincounts() 但显然它不适用于对象数据类型。有没有办法使用 NumPy 来实现这一目标？

Answer 1

您可以使用 np.unique 为 data['A'] 中的每个对象分配一个整数 "label"。然后你可以将 np.bincount 应用到 labels:

In [18]: uniq, label = np.unique(data['A'], return_inverse=True)

In [19]: np.column_stack([uniq, np.bincount(label)])
Out[19]: 
array([['a1', 2],
       ['c1', 1]], dtype=object)

请注意，对 dtype object 的 NumPy 数组的操作并不比对列表的等效操作快（而且通常更慢）。（您需要将数组与原生 NumPy（即 non-object）dtypes 一起使用，以享受相对于纯 Python 的任何速度优势。）例如，如果您对 [= 使用列表字典，您的计算可能会更快21=]，用collections.Counter计算频率：

In [21]: data = {'A':['a1','a1','c1']}

In [22]: import collections

In [23]: collections.Counter(data['A'])
Out[23]: Counter({'a1': 2, 'c1': 1})

正如 hpaulj 指出的那样，当 data 也是 recarray 时，您可以使用 collection.Counter(data['A'])。它比上面显示的 np.unique/np.bincount 方法更快。因此，如果您必须使用对象的重新排列，那可能是您的最佳选择。

这是显示相对速度的基准：

data = np.random.choice(['a','b','c'], size=(300,)).astype(
    [('A', object), ('B', object), ('C', object)]).view(np.recarray)
data2 = {key:data[key].tolist() for key in ['A','B','C']}

在列表的字典上使用 Counter 是最快的：

In [92]: %timeit collections.Counter(data2['A'])
100000 loops, best of 3: 13.7 µs per loop

在 dtype object 的数组上使用 Counter 是第二快的：

In [91]: %timeit collections.Counter(data['A'])
10000 loops, best of 3: 29.1 µs per loop

我最初的建议非常慢（虽然这是一个 apples-to-oranges 比较，因为这个 returns 是一个数组，而不是一个字典）：

In [93]: %%timeit 
   ....: uniq, label = np.unique(data['A'], return_inverse=True)
   ....: np.column_stack([uniq, np.bincount(label)])
   ....: 
10000 loops, best of 3: 118 µs per loop

计算对象数据类型重新排列中值的频率

Counting frequency of values in recarray of object datatype

types

numpy

frequency

object

recarray