python - 如何用指定列表的索引替换数组的所有项目？

Question

我要替换sequence的所有项目id 告诉他们在哪个标签列表中。假设所有的值在 sequence 中都是不同的和 labeller和 labeller 列表的并集与 sequence 有相同的项目. lsizes对应于 labeller 中列表的大小并且对于 Pythonic 解决方案是多余的，但对于完全矢量化的解决方案可能是强制性的。

sequence = [1, 2, 10, 5, 6, 4, 3, 8, 7, 9],
labeller = [[1, 2, 10], [3, 4, 5, 6, 7], [8, 9]]
lsizes = [3, 5, 2]

我知道如何以简单的方式解决它:

idx = {u:i for i, label in enumerate(labeller) for u in label}
tags = [idx[u] for u in sequence]

输出是:

tags = [0, 0, 0, 1, 1, 1, 1, 2, 1, 2]

在那之后，我全力以赴地以矢量化的方式来做到这一点。这对我来说相当复杂。这是我的尝试，而不是猜测，但不幸的是，它没有通过我的所有测试。我希望我很接近:

sequence = np.array(sequence)
cl = np.concatenate(labeller)
_, cl_idx = np.unique(cl, return_index=True)
_, idx = np.unique(sequence[cl_idx], return_index=True)
tags = np.repeat(np.arange(len(lsizes)), lsizes)[idx]
#output: [0 0 1 1 0 1 1 1 2 2]

我怎样才能完成它？我还想看到严格的解释它的作用以及如何更好地理解它。也欢迎任何来源。

Answer 1

方法#1
对于那些追溯问题， searchsorted 似乎也是在这里工作的方法，重新使用您的 cl ——

cl = np.concatenate(labeller)
sidx = cl.argsort()
idx = np.searchsorted(cl, sequence, sorter=sidx)
idx0 = sidx[idx]

l = list(map(len, labeller))
r = np.repeat(np.arange(len(l)), l)
out = r[idx0]

使用 lsizes为 l使其完全矢量化。但是，我怀疑连接步骤可能很重。这是否值得在很大程度上取决于子数组的长度。
方法#2
对于正数，这里有一个数组索引作为散列机制 -

N = max(map(max, labeller))+1
id_ar = np.zeros(N, dtype=int) # use np.empty for perf. boost
for i,l in enumerate(labeller):
    id_ar[l] = i
out = id_ar[sequence]