将 Python 序列转换为 NumPy 数组，填充缺失值

问题描述：

将 Python 的可变长度列表序列隐式转换为 NumPy 数组，会导致该数组成为对象类型。

v = [[1], [1, 2]]
np.array(v)
>>> array([[1], [1, 2]], dtype=object)

尝试强制另一种类型将导致异常：

np.array(v, dtype=np.int32)
ValueError: setting an array element with a sequence.

通过使用给定的占位符填充“缺失”值，获取类型为 int32 的密​​集 NumPy 数组的最有效方法是什么？

从我的示例序列中v，如果 0 是占位符，我希望得到类似这样的结果

array([[1, 0], [1, 2]], dtype=int32)

解决方案 1：

您可以使用itertools.zip_longest：

import itertools
np.array(list(itertools.zip_longest(*v, fillvalue=0))).T
Out: 
array([[1, 0],
       [1, 2]])

注意：对于 Python 2，它是itertools.izip_longest。

解决方案 2：

这是一个几乎*基于矢量化的布尔索引的方法，我在其他几篇文章中使用过 -

def boolean_indexing(v):
    lens = np.array([len(item) for item in v])
    mask = lens[:,None] > np.arange(lens.max())
    out = np.zeros(mask.shape,dtype=int)
    out[mask] = np.concatenate(v)
    return out

示例运行

In [27]: v
Out[27]: [[1], [1, 2], [3, 6, 7, 8, 9], [4]]

In [28]: out
Out[28]: 
array([[1, 0, 0, 0, 0],
       [1, 2, 0, 0, 0],
       [3, 6, 7, 8, 9],
       [4, 0, 0, 0, 0]])

*请注意，这被称为几乎矢量化，因为这里执行的唯一循环是在开始时，我们在那里获取列表元素的长度。但这部分计算要求不高，对总运行时间的影响应该很小。

运行时测试

在本节中，我将进行计时DataFrame-based solution by @Alberto Garcia-Raboso，itertools-based solution by @ayhan因为它们似乎可以很好地扩展，并且来自这篇文章的基于布尔索引的索引适用于相对较大的数据集，并且列表元素的大小变化有三个级别。

案例 #1：尺寸差异较大

In [44]: v = [[1], [1,2,4,8,4],[6,7,3,6,7,8,9,3,6,4,8,3,2,4,5,6,6,8,7,9,3,6,4]]

In [45]: v = v*1000

In [46]: %timeit pd.DataFrame(v).fillna(0).values.astype(np.int32)
100 loops, best of 3: 9.82 ms per loop

In [47]: %timeit np.array(list(itertools.izip_longest(*v, fillvalue=0))).T
100 loops, best of 3: 5.11 ms per loop

In [48]: %timeit boolean_indexing(v)
100 loops, best of 3: 6.88 ms per loop

案例 #2：尺寸变化较小

In [49]: v = [[1], [1,2,4,8,4],[6,7,3,6,7,8]]

In [50]: v = v*1000

In [51]: %timeit pd.DataFrame(v).fillna(0).values.astype(np.int32)
100 loops, best of 3: 3.12 ms per loop

In [52]: %timeit np.array(list(itertools.izip_longest(*v, fillvalue=0))).T
1000 loops, best of 3: 1.55 ms per loop

In [53]: %timeit boolean_indexing(v)
100 loops, best of 3: 5 ms per loop

案例 #3：每个列表元素包含较多元素（最多 100 个）

In [139]: # Setup inputs
     ...: N = 10000 # Number of elems in list
     ...: maxn = 100 # Max. size of a list element
     ...: lens = np.random.randint(0,maxn,(N))
     ...: v = [list(np.random.randint(0,9,(L))) for L in lens]
     ...: 

In [140]: %timeit pd.DataFrame(v).fillna(0).values.astype(np.int32)
1 loops, best of 3: 292 ms per loop

In [141]: %timeit np.array(list(itertools.izip_longest(*v, fillvalue=0))).T
1 loops, best of 3: 264 ms per loop

In [142]: %timeit boolean_indexing(v)
10 loops, best of 3: 95.7 ms per loop

对我来说，它似乎itertools.izip_longest做得很好！没有明显的赢家，但必须根据具体情况进行选择！

解决方案 3：

Pandas 及其DataFrame-s 可以很好地处理缺失数据。

import numpy as np
import pandas as pd

v = [[1], [1, 2]]
print(pd.DataFrame(v).fillna(0).values.astype(np.int32))

# array([[1, 0],
#        [1, 2]], dtype=int32)

解决方案 4：

这是一个通用的方法：

>>> v = [[1], [2, 3, 4], [5, 6], [7, 8, 9, 10], [11, 12]]
>>> max_len = np.argmax(v)
>>> np.hstack(np.insert(v, range(1, len(v)+1),[[0]*(max_len-len(i)) for i in v])).astype('int32').reshape(len(v), max_len)
array([[ 1,  0,  0,  0],
       [ 2,  3,  4,  0],
       [ 5,  6,  0,  0],
       [ 7,  8,  9, 10],
       [11, 12,  0,  0]], dtype=int32)

解决方案 5：

max_len = max(len(sub_list) for sub_list in v)

result = np.array([sub_list + [0] * (max_len - len(sub_list)) for sub_list in v])

>>> result
array([[1, 0],
       [1, 2]])

>>> type(result)
numpy.ndarray

解决方案 6：

如果您想要将相同的逻辑扩展到更深的层次（列表的列表的列表，...），您可以使用 tensorflow ragged 张量并转换为张量/数组。例如：

import tensorflow as tf
v = [[1], [1, 2]]
padded_v = tf.ragged.constant(v).to_tensor(0)

这将创建一个用 0 填充的数组。或者更深层次的例子：

w = [[[1]], [[2],[1, 2]]]
padded_w = tf.ragged.constant(w).to_tensor(0)

解决方案 7：

您可以尝试先转换 pandas 数据框，然后将其转换为 numpy 数组

ll = [[1, 2, 3], [4, 5], [6, 7, 8, 9]]

df = pd.DataFrame(ll)
print(df)
#    0  1    2    3
# 0  1  2  3.0  NaN
# 1  4  5  NaN  NaN
# 2  6  7  8.0  9.0

npl = df.to_numpy()
print(npl)

# [[ 1.  2.  3. nan]
#  [ 4.  5. nan nan]
#  [ 6.  7.  8.  9.]]

解决方案 8：

我在 Alexander 的回答中遇到了 numpy 广播错误，因此我使用numpy.pad添加了一个小变化：

pad = len(max(X, key=len))

result = np.array([np.pad(i, (0, pad-len(i)), 'constant') for i in X])