9

我正在尝试对 column1 上的以下数组进行排序,然后是 column2,然后是 column3

[['2008' '1' '23' 'AAPL' 'Buy' '100']
 ['2008' '1' '30' 'AAPL' 'Sell' '100']
 ['2008' '1' '23' 'GOOG' 'Buy' '100']
 ['2008' '1' '30' 'GOOG' 'Sell' '100']
 ['2008' '9' '8' 'GOOG' 'Buy' '100']
 ['2008' '9' '15' 'GOOG' 'Sell' '100']
 ['2008' '5' '1' 'XOM' 'Buy' '100']
 ['2008' '5' '8' 'XOM' 'Sell' '100']]

我使用了以下代码:

    idx=np.lexsort((order_array[:,2],order_array[:,1],order_array[:,0]))
    order_array=order_array[idx]

结果数组是

[['2008' '1' '23' 'AAPL' 'Buy' '100']
 ['2008' '1' '23' 'GOOG' 'Buy' '100']
 ['2008' '1' '30' 'AAPL' 'Sell' '100']
 ['2008' '1' '30' 'GOOG' 'Sell' '100']
 ['2008' '5' '1' 'XOM' 'Buy' '100']
 ['2008' '5' '8' 'XOM' 'Sell' '100']
 ['2008' '9' '15' 'GOOG' 'Sell' '100']
 ['2008' '9' '8' 'GOOG' 'Buy' '100']]

问题是最后两行是错误的。正确的数组应该将最后一行作为倒数第二行。我已经尝试了一切,但无法理解为什么会这样。将不胜感激一些帮助。

我正在使用以下代码来获取 order_array。

 for i in ….
    x= ldt_timestamps[i] # this is a list of timestamps
    s_sym=……
    list=[int(x.year),int(x.month),int(x.day),s_sym,'Buy',100]   
    rows_list.append(list) 

 order_array=np.array(rows_list)
4

1 回答 1

11

tldr:在数值数组上进行数值计算时,NumPy 大放异彩。尽管有可能(见下文)NumPy 不太适合这种情况。使用 Pandas 可能会更好。


问题的原因:

这些值被排序为字符串。您需要将它们排序为ints.

In [7]: sorted(['15', '8'])
Out[7]: ['15', '8']

In [8]: sorted([15, 8])
Out[8]: [8, 15]

发生这种情况是因为order_array包含字符串。您需要将这些字符串转换为ints适当的位置。

将 dtype 从 string-dtype 转换为 numeric dtype 需要为新数组分配空间。因此,您最好order_array从一开始就修改您的创建方式。

有趣的是,即使您将值转换为整数,当您调用

order_array = np.array(rows_list)

NumPy 默认创建一个同构数组。在同构数组中,每个值都具有相同的 dtype。因此,NumPy 试图在所有值中找到共同点并选择字符串 dtype,从而阻碍了您将字符串转换为整数的努力!

您可以通过检查自己检查 dtype order_array.dtype

In [42]: order_array = np.array(rows_list)

In [43]: order_array.dtype
Out[43]: dtype('|S4')

现在,我们如何解决这个问题?


使用对象 dtype:

最简单的方法是使用“对象”dtype

In [53]: order_array = np.array(rows_list, dtype='object')

In [54]: order_array
Out[54]: 
array([[2008, 1, 23, AAPL, Buy, 100],
       [2008, 1, 30, AAPL, Sell, 100],
       [2008, 1, 23, GOOG, Buy, 100],
       [2008, 1, 30, GOOG, Sell, 100],
       [2008, 9, 8, GOOG, Buy, 100],
       [2008, 9, 15, GOOG, Sell, 100],
       [2008, 5, 1, XOM, Buy, 100],
       [2008, 5, 8, XOM, Sell, 100]], dtype=object)

这里的问题是np.lexsortnp.sort不适用于 dtype 的数组object。为了解决这个问题,您可以rows_list 在创建之前对以下内容进行排序order_list

In [59]: import operator

In [60]: rows_list.sort(key=operator.itemgetter(0,1,2))
Out[60]: 
[(2008, 1, 23, 'AAPL', 'Buy', 100),
 (2008, 1, 23, 'GOOG', 'Buy', 100),
 (2008, 1, 30, 'AAPL', 'Sell', 100),
 (2008, 1, 30, 'GOOG', 'Sell', 100),
 (2008, 5, 1, 'XOM', 'Buy', 100),
 (2008, 5, 8, 'XOM', 'Sell', 100),
 (2008, 9, 8, 'GOOG', 'Buy', 100),
 (2008, 9, 15, 'GOOG', 'Sell', 100)]

order_array = np.array(rows_list, dtype='object')

更好的选择是将前三列合并到 datetime.date 对象中:

import operator
import datetime as DT

for i in ...:
    seq = [DT.date(int(x.year), int(x.month), int(x.day)) ,s_sym, 'Buy', 100]   
    rows_list.append(seq)
rows_list.sort(key=operator.itemgetter(0,1,2))        
order_array = np.array(rows_list, dtype='object')

In [72]: order_array
Out[72]: 
array([[2008-01-23, AAPL, Buy, 100],
       [2008-01-30, AAPL, Sell, 100],
       [2008-01-23, GOOG, Buy, 100],
       [2008-01-30, GOOG, Sell, 100],
       [2008-09-08, GOOG, Buy, 100],
       [2008-09-15, GOOG, Sell, 100],
       [2008-05-01, XOM, Buy, 100],
       [2008-05-08, XOM, Sell, 100]], dtype=object)

尽管这很简单,但我不喜欢 dtype 对象的 NumPy 数组。您既没有获得具有本机 dtype 的 NumPy 数组的速度,也没有节省内存空间。此时,您可能会发现使用 Python 列表更快且在语法上更容易处理。


使用结构化数组:

仍然提供速度和内存优势的更类似于 NumPy 的解决方案是使用结构化数组(而不是同构数组)。要使用结构化数组,np.array您需要明确提供 dtype:

dt = [('year', '<i4'), ('month', '<i4'), ('day', '<i4'), ('symbol', '|S8'),
      ('action', '|S4'), ('value', '<i4')]
order_array = np.array(rows_list, dtype=dt)

In [47]: order_array.dtype
Out[47]: dtype([('year', '<i4'), ('month', '<i4'), ('day', '<i4'), ('symbol', '|S8'), ('action', '|S4'), ('value', '<i4')])

要对结构化数组进行排序,您可以使用以下sort方法:

order_array.sort(order=['year', 'month', 'day'])

要使用结构化数组,您需要了解同构数组和结构化数组之间的一些区别:

你原来的同质数组是二维的。相反,所有结构化数组都是一维的:

In [51]: order_array.shape
Out[51]: (8,)

如果您使用 int 对结构化数组进行索引或遍历数组,则会返回行:

In [52]: order_array[3]
Out[52]: (2008, 1, 30, 'GOOG', 'Sell', 100)

使用同构数组,您可以使用 Now 访问列order_array[:, i] ,使用结构化数组,您可以按名称访问它们:例如order_array['year'].


或者,使用熊猫:

如果你可以安装Pandas,我想你可能会最开心地使用 Pandas DataFrame:

In [73]: df = pd.DataFrame(rows_list, columns=['date', 'symbol', 'action', 'value'])
In [75]: df.sort(['date'])
Out[75]: 
         date symbol action  value
0  2008-01-23   AAPL    Buy    100
2  2008-01-23   GOOG    Buy    100
1  2008-01-30   AAPL   Sell    100
3  2008-01-30   GOOG   Sell    100
6  2008-05-01    XOM    Buy    100
7  2008-05-08    XOM   Sell    100
4  2008-09-08   GOOG    Buy    100
5  2008-09-15   GOOG   Sell    100

Pandas 具有按日期对齐时间序列、填充缺失值、分组和聚合/转换行或列的有用功能。


通常,使用单个日期列而不是年、月、日的三个整数值列更有用。

如果您需要将年、月、日作为单独的列来输出,例如 csv,那么您可以将日期列替换为年、月、日列,如下所示:

In [33]: df = df.join(df['date'].apply(lambda x: pd.Series([x.year, x.month, x.day], index=['year', 'month', 'day'])))

In [34]: del df['date']

In [35]: df
Out[35]: 
  symbol action  value  year  month  day
0   AAPL    Buy    100  2008      1   23
1   GOOG    Buy    100  2008      1   23
2   AAPL   Sell    100  2008      1   30
3   GOOG   Sell    100  2008      1   30
4    XOM    Buy    100  2008      5    1
5    XOM   Sell    100  2008      5    8
6   GOOG    Buy    100  2008      9    8
7   GOOG   Sell    100  2008      9   15

或者,如果您一开始就没有使用“日期”列,您当然可以不用rows_list管它,从头开始构建带有年、月、日列的 DataFrame。排序仍然很容易:

df.sort(['year', 'month', 'day'])
于 2013-10-03T10:19:50.753 回答