python - 从字符串中提取整数

Question

我想为聚类问题创建目标列表，其中包含数据集每个实例的类名称(标签)列表中的多个类。

class_name = ['class_1','class_2','class_3','class_3','class_1','class_2',\
'class_2','class_1','class_1','class_2','class_1','class_3'] 

目标列表应该像一个与class_name列表长度相同的数组，其中一个整数被分配给不同的类标签。哪种投注方式可以得到这个？

target = np.array([1, 2, 3, 3, 1, 2, 2, 1, 1, 2, 1, 3])

类标签(例如 class_1)的格式为“Xx_xx_xxx(A123)”或“Xx_xx_xxx (A123)”。括号内的文字不固定。列表类型是'unicode'。

Answer 1

您应该做的第一件事是以标准格式获取类。根据上面的描述，如果类名位于字符串的括号中，那么您可以使用正则表达式来获取类名。

import re
X = ['abc(class_1)', 'cde_(class_1)', 'def_(class_2)']
just_classes = [re.findall(r'\((.*)\)', thing)[0] for thing in X]
# ['class_1', 'class_1', 'class_2']

您可以在此处使用几种不同的方法。如果您使用 numpy、scipy 堆栈进行机器学习，我建议您学习 sklearn 库。它有很多有用的机器学习和人工智能工具，包括编码类名。

使用sklearn

from sklearn.preprocessing import LabelEncoder
class_names = ['class_1','class_2','class_3','class_3','class_1','class_2',\
        'class_2','class_1','class_1','class_2','class_1','class_3'] 

my_enc = LabelEncoder()
my_enc.fit(class_names)
encoded1 =  my_enc.transform(class_names)

没有外部库

classes = set(class_names)
d = {c:i for i,c in enumerate(classes)}
encoded2 = [d[c_name] for c_name in class_names]
print encoded1 #approach 1 gives numpy array
print encoded2 # approach 2 gives standard python list

这两种方法都应该有效。自己实现的代码并不多，但总的来说，我建议查看 sklearn preprocessing工具。