python - IndexError : too many indices for array. 具有 42 个特征的 Numpy 数组不均匀

Question

我正在尝试实例化我的分类测试集，加载具有 41 个特征和 1 个标签的数据集:

import numpy as np

f = open("mydataset")
dataset = np.genfromtxt(f, delimiter=',', dtype=None)

X = dataset[:, 0:40]  # select columns 1 through 41
y = dataset[:, 41]  # select column 42 (the labels)

由于 mydataset 不是同类的(并非所有元素都具有相同的类型)，函数 genfromtxt 创建一个一维数组(元组列表)。所以我得到这个错误:

X = dataset[:, 0:40]  # select columns 1 through 41
IndexError: too many indices for array

我该如何解决这个问题？我是否必须以二维方式转换 numpy 数组(如果是，以哪种方式)？还是我必须使用另一种方法来选择正确的列？

谢谢

Answer 1

你可以定义一个复合数据类型:

dt = np.dtype([('values',float,(41,)),('labels','S10')])
data=np.genfromtxt(f, delimiters=',',dtype=dt)
X = data['values']
Y = data['labels']

(未测试，因为我没有这种大小的样本数组)。

正如我在最近的回答中所描述的那样，https://stackoverflow.com/a/37126091/901925 ,

您可以将 dtype=None 数据转换为此复合数据类型

data.view(dt)

尽管这要求所有数字都作为 float (或全部作为整数)加载。 CSV 通常混合使用 float 和整数列，因此 None genfromtxt 调用的数字字段将混合使用多种类型。

借用其他答案，一般的结构化数组可能如下所示:

In [421]: data=np.array([('label1', 12, 23.2, 232.0), ('label2', 23, 2324.0, 324.0),
       ('label3', 34, 123.0, 2141.0), ('label4', 0, 2.0, 3.0)], 
      dtype=[('f0', '<U10'), ('f1', '<i4'), ('f2', '<f8'), ('f3', '<f8')])

4 个不同数据类型的字段。

可以通过名称访问各个字段:data['f0']，或名称列表 data[['f0','f3']]。但是您可以使用名称列表执行的操作是有限的。

In [426]: data[['f2','f3']]=10
...
ValueError: multi-field assignment is not supported

如果你制作一个副本，你可以做更多的事情，如果你将它视为同构数组，你可以做更多的事情:

In [427]: d23=data[['f2','f3']].copy()

In [428]: d23
Out[428]: 
array([(23.2, 232.0), (2324.0, 324.0), (123.0, 2141.0), (2.0, 3.0)], 
      dtype=[('f2', '<f8'), ('f3', '<f8')])

In [429]: d23=d23.view((float,(2,)))

In [430]: d23
Out[430]: 
array([[  2.32000000e+01,   2.32000000e+02],
       [  2.32400000e+03,   3.24000000e+02],
       [  1.23000000e+02,   2.14100000e+03],
       [  2.00000000e+00,   3.00000000e+00]])

In [431]: d23+=34

In [432]: d23
Out[432]: 
array([[   57.2,   266. ],
       [ 2358. ,   358. ],
       [  157. ,  2175. ],
       [   36. ,    37. ]])

(对 d23 的更改不会影响原始 data)。