1

我正在尝试将spacy.io文档序列化为字节字符串并将它们保存在一个numpy数组中。

spacy有一个to_bytes产生bytearray. 我调用str它bytearray并将该字符串对象插入到numpy数组中。这适用于大多数文档，除了那些以尾随零字节结尾的文档。

重现：

>>> import numpy as np
>>> b_arr = bytearray(b'\xca\x00\x00\x00n\xff\xff\xff\x19C\x98\xc9\x06\xb18{\xa5\xe0\xaf6\xe3\x9f\xa7\xad\x86\xd6\x8d\xc0\xe6Mo;{\x96xm\x80\xe5\x8c\x9f<!\xc33\x9dg\xd3\xb3D\xf6\xac\x03P\x8do\x07m$r)\x06XBI\xc87\xcao\x83\x1d\xe4\r]\x86\xda\xeb\xb8\x1f\xd5\xcb\xde\xaa\x85r\x0f\xf1=p\xd6\x01\xdc\x83Z|&\xeb\xce|\xf9o\xa0\xe99x\x87\x87\xac\x1b\x17\x08\x000\x92\x10A\x98\x10\x13\x89( 0\x88 "!*N\xf8\xe6\xf4\r\xb1e\xf0\x9d\xfd\x80\xa2G2\x18\xdesv\xec\x85\xf7\xb1\xb3\xb3\xa68\xa7n\xe8BF\xa6\xe0\xb1\x8d\x8d\x9c\xe5\x99\x9bV\xfcE`\x1cI\x92$I\x92$I\x92$%I\x92\xe4\xff\xff\x7f\xd1\xff\xf0T\xa6\xe8\n\x9a\xd3\xffMe0\xa9\x15\xf1|\x00')
>>> b_arr_text = str(b_arr)
>>> b_arr_np = np.asarray([b_arr_text], dtype=np.str)
>>> b_arr_text == b_arr_np[0]
Out[229]: False
>>> len(b_arr_text)
Out[230]: 206
>>> len(b_arr_np[0])
Out[231]: 205
>>> b_arr_np.dtype
Out[232]: dtype('S206')

该numpy字符串修剪任何尾随零，但是固定长度字符串的 dtype 与输入文本的长度相同。

您甚至可以通过在数组中创建任何尾随零字节的字节串来看到这一点：

>>> np.asarray(['\xca\x00\x00\x00'], dtype=np.str)

Out: array(['\xca'], dtype='|S4')

我numpy认为尾随零无关紧要吗？但是我无法将这些字节串反序列化回spacy文档对象。

有什么方法可以numpy不修剪尾随零，或者我必须在这种情况下坚持使用 Python 列表吗？

4

2 回答 2

4

这是正常的行为。在b_arr_np.tostring()您看到之后，所有尾随零都按顺序排列。

b_arr = bytearray(b'\xca\x00\x00\x00')

b_arr_text = str(b_arr)

b_arr_np = np.asarray([b_arr_text], dtype=np.str)

b_arr_np
Out[303]: 
array(['\xca'], 
      dtype='|S4')

b_arr_np.tostring()
Out[304]: '\xca\x00\x00\x00'

检查来自 github的字节类型的帖子信息丢失。问题是使用尾随非零字节或dtype=uint8使用b_arr：

b_arr_np = np.asarray([b_arr], dtype=np.uint8)

b_arr_np
Out[319]: array([[202,   0,   0,   0]], dtype=uint8)

b_arr_np.tostring()

Out[320]: '\xca\x00\x00\x00'
于 2016-05-25T12:44:09.047 回答
0

你想要np.voiddtype。

字符串或字节数组总是会去掉尾随的零。

a = np.array([b"\x00\x00"], dtype=np.str)
a
# Out: array([''], dtype='<U2')
a[0]
# Out: ''

但是 void 数组不会。

a = np.array([b"\x00\x00"], dtype=np.void)
a
# Out: array([b'\x00\x00'], dtype='|V2')
a[0]
# Out: void(b'\x00\x00')

每个数组元素现在都包含在 a 中有点复杂，void(...)但您可以使用以下任一方法解决此问题：

a[0].item()
# Out: b'\x00\x00'

或整个数组：

a = a.astype(object)
a
# Out: array([b'\x00\x00'], dtype=object)
a[0]
# Out: b'\x00\x00'

如果换行

b_arr_np = np.asarray([b_arr_text], dtype=np.str)

和

b_arr_np = np.asarray([b_arr_text], dtype=np.void).astype(object)

那么您的示例的行为与您预期的一样。

于 2020-01-02T17:55:46.813 回答