web-dev-qa-db-fra.com

Concaténation de chaînes élémentaire dans numpy

Est-ce un bug?

import numpy as np
a1=np.array(['a','b'])
a2=np.array(['E','F'])

In [20]: add(a1,a2)
Out[20]: NotImplemented

J'essaie de faire la concaténation de chaînes d'éléments. Je pensais que Add () était le moyen de le faire numpy mais évidemment cela ne fonctionne pas comme prévu. 

pythonarraysstringnumpyelementwise-operations
20
Dave31415

Cela peut être fait en utilisant numpy.core.defchararray.add . Voici un exemple:

>>> import numpy as np
>>> a1 = np.array(['a', 'b'])
>>> a2 = np.array(['E', 'F'])
>>> np.core.defchararray.add(a1, a2)
array(['aE', 'bF'], 
      dtype='<U2')

Il existe d'autres opérations utiles string disponibles pour les types de données NumPy.

38
Mike T

Vous pouvez utiliser la sous-classe chararray pour effectuer des opérations sur des tableaux avec des chaînes:

a1 = np.char.array(['a', 'b'])
a2 = np.char.array(['E', 'F'])

a1 + a2
#chararray(['aE', 'bF'], dtype='|S2')

un autre bel exemple:

b = np.array([2, 4])
a1*b
#chararray(['aa', 'bbbb'], dtype='|S4')
9
Saullo G. P. Castro

Cela peut (et devrait) être fait en Python pur, car numpy utilise également les fonctions de manipulation de chaînes Python en interne:

>>> a1 = ['a','b']
>>> a2 = ['E','F']
>>> map(''.join, Zip(a1, a2))
['aE', 'bF']
6
Niklas B.

Une autre solution consiste à convertir des tableaux de chaînes en tableaux de python d’objets de manière à ce que str.add soit appelée:

>>> import numpy as np
>>> a = np.array(['a', 'b', 'c', 'd'], dtype=np.object)   
>>> print a+a
array(['aa', 'bb', 'cc', 'dd'], dtype=object)

Ce n'est pas si lent (moins de deux fois plus lent que l'ajout de tableaux d'entiers).

1
jonathanrocher

Encore une solution basique, élégante et rapide:

In [11]: np.array([x1 + x2 for x1,x2 in Zip(a1,a2)])
Out[11]: array(['aE', 'bF'], dtype='<U2')

C'est très rapide pour les petits tableaux. 

In [12]: %timeit np.array([x1 + x2 for x1,x2 in Zip(a1,a2)])
3.67 µs ± 136 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

In [13]: %timeit np.core.defchararray.add(a1, a2)
6.27 µs ± 28.3 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

In [14]: %timeit np.char.array(a1) + np.char.array(a2)
22.1 µs ± 319 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)

Pour les tableaux de grande taille, le décalage horaire n’est pas considérable.

In [15]: b1 = np.full(10000,'a')    
In [16]: b2 = np.full(10000,'b')    

In [189]: %timeit np.array([x1 + x2 for x1,x2 in Zip(b1,b2)])
6.74 ms ± 66.9 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [188]: %timeit np.core.defchararray.add(b1, b2)
7.03 ms ± 419 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [187]: %timeit np.char.array(b1) + np.char.array(b2)
6.97 ms ± 284 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
0
Gaurav Singhal