3

我有一个“因素”的一维整数数组，这意味着不同的事情。有时多个数字表示同一件事：

import numpy as np

vec  = np.arange(1, 10)
comps = {
  'good': (3,),
  'bad': (4, 5, 9,),
  'ok': (2, 3,)
}

result = {}
for name in comps.keys():
    result[name] = np.zeros(len(vec), 'bool')
    for i, v in enumerate(vec):
        result[name][i] = v in comps[name]

这是所需的输出。然而，随着vec变大并且输入的键数量comps增加，这变得非常缓慢。另外，它很糟糕......R里面有这个%in%功能：

vec = 1:10
comp = list(
    good = 3,
    bad = c(4:5, 9),
    ok = 2:3
)

lapply(comp, function(x) vec %in% x)

它在左侧的每个值与右侧的每个值之间进行元素比较，并将“逻辑或”结果作为布尔向量返回，其长度与vec.

我可以使用pandas：

import pandas as pd

DF = pd.DataFrame({'vec': vec})

result = {}
for name in comps.keys():
    result[name] = DF.vec.apply(lambda x: x in comps[name])

类似于这个问题......但我想要元素数组而不是单个布尔值作为我的结果。

在 python 中执行此操作的最佳方法是什么？（numpy？熊猫？）

4

1 回答 1

2

您可以使用字典理解（和 Seriesisin方法）来创建它：

pd.DataFrame({k: df.vec.isin(v) for k, v in comps.iteritems()})
于 2013-06-20T20:52:40.190 回答