python - 将 : np. 索引数组转换为相应字典条目的 np.array

Question

我在 Python 2.7 中有一个 numpy 索引数组，它对应于字典中的一个值。所以我想从字典中创建一个对应值的 numpy 数组。代码可能会立即清晰:

import numpy as np
indices = np.array([(0, 1), (2, 0), (2, 0)], dtype=[('A', int), ('B', int)])
d = {(0, 1): 10,
     (2, 0): 9}
values = d[(indices['A'], indices['B'])]

最后一行的调用是不可哈希的(我试图找到一个 way to make a np.array hashable 但没有成功):

TypeError: unhashable type: 'numpy.ndarray'

我可以用一个循环来代替它，但这需要很长时间来编写变量 values:

np.array([d[(indices[i]['A'], indices[i]['B'])] for i in range(len(indices))])

或者 dict 是否有任何替代方案可以使此类任务成为 pythonic，即更快？变量 indices 无法更改，但我可以更改 dict 的类型。

编辑

实际索引数组还包含其他条目。这就是为什么我把调用写得如此复杂:

indices = np.array([(0, 1, 's'), (2, 0, 's'), (2, 0, 't')],
                   dtype=[('A', int), ('B', int), ('C', str)])

Answer 1

我相信您可以对此使用列表理解(它会比普通的 for 循环方法快一点)。示例 -

values = [d[tuple(a)] for a in indices]

请注意，我使用 d 而不是 dict，因为不建议使用 dict 作为变量名，因为这会影响内置类型 dict。

演示 -

In [73]: import numpy as np

In [74]: indices = np.array([(0, 1), (2, 0), (2, 0)], dtype=[('A', int), ('B', int)])

In [76]: d = {(0, 1): 10,
   ....:  (2, 0): 9}

In [78]: values = [d[tuple(a)] for a in indices]

In [79]: values
Out[79]: [10, 9, 9]

---

对于更大的阵列，更快的方法是使用 np.vectorize()向量化 dict.get() 方法，然后将其应用于 indices 数组。示例 -

vecdget = np.vectorize(lambda x: d.get(tuple(x)))
vecdget(indices)

带计时结果的演示 -

In [88]: vecdget = np.vectorize(lambda x: d.get(tuple(x)))

In [89]: vecdget(indices)
Out[89]: array([10,  9,  9])

In [98]: indices = np.array([(0, 1), (2, 0), (2, 0)] * 100, dtype=[('A', int), ('B', int)])

In [99]: %timeit [d[tuple(a)] for a in indices]
100 loops, best of 3: 1.72 ms per loop

In [100]: %timeit vecdget(indices)
1000 loops, best of 3: 341 µs per loop

@hpaulj 在评论中建议的新方法的时间测试 - [d.get(x.item()) for x in indices] -

In [114]: %timeit [d.get(x.item()) for x in indices]
1000 loops, best of 3: 417 µs per loop

In [115]: %timeit vecdget(indices)
1000 loops, best of 3: 331 µs per loop

In [116]: %timeit [d.get(x.item()) for x in indices]
1000 loops, best of 3: 354 µs per loop

In [117]: %timeit vecdget(indices)
1000 loops, best of 3: 262 µs per loop