初始化一个包含字符串数据的numpy数组时出现奇怪的行为

Question

当数组中包含字符串数据时，我在使用numpy时遇到了一些看似微不足道的麻烦。我有以下代码：

my_array = numpy.empty([1, 2], dtype = str)
my_array[0, 0] = "Cat"
my_array[0, 1] = "Apple"

现在，当我使用print my_array[0, :]打印它时，我得到的回应是['C', 'A']，这显然不是预期的Cat和Apple的输出。为什么会这样，我该如何获得正确的输出呢？

谢谢！

- Jim

Answer 1

Numpy需要字符串数组具有固定的最大长度。当您使用dtype=str创建一个空数组时，默认情况下它将此最大长度设置为1。如果您执行my_array.dtype，您会看到它显示为"|S1"，表示“单字符字符串”。对该数组进行后续赋值时将截断以适应此结构。

您可以通过指定数据类型和最大长度来传递参数，例如：

my_array = numpy.empty([1, 2], dtype="S10")

"S10"将创建一个长度为10的字符串数组。您必须决定足够大以容纳要保存的所有数据。

- BrenBarn

---

一旦我在列表中更新一个元素（即 my_array[0] = 'hello'），那么第一个元素是否仍具有分配的“10个字符的内存空间”？还是它现在真正是一个“S5”对象？我认为不是，因为numpy数组的dtype必须在整个数组中保持一致。 - pretzlstyle

@jphollowed：对的，整个数组的大小是固定的，所以如果你将其初始化为S10，即使实际存储的字符串较小，它仍将使用每个条目的10个字节。 - BrenBarn

为什么我应该使用这个而不是 dtype=object？它会更快吗？ - Boern

@Boern：在大多数情况下，字符串数据类型比对象数据类型更快。但是如果您不太关心速度，使用对象数据类型也是可以的。 - BrenBarn

最好还是抽象化并且有泄漏，胜过从未抽象化。 - profPlum

Answer 2

当我尝试在dtype="S10"中使用非ASCII字符时，出现了“编解码器错误”。

你也可以得到一个由二进制字符串组成的数组，这让我感到困惑。

我认为最好使用：

my_array = numpy.empty([1, 2], dtype="<U10")

这里的'U10'表示“长度为10的Unicode字符串；小端格式”。

- Johny White

---

如果解释了 dtype = "<U10" 的含义，这将是一个更好的答案。 - eric

Answer 3

numpy字符串数组的长度是固定的（默认长度为1）。如果您不确定在事先需要的字符串长度，可以使用dtype=object来获取数据元素的任意长度字符串：

my_array = numpy.empty([1, 2], dtype=object)

我知道这种方法可能存在效率上的缺陷，但我没有一个好的参考来支持这一点。

- SpinUp __ A Davis

---

与“S10”相比，是否存在任何注意事项（如速度较慢）？ - Boern

Answer 4

如果有新手在这里，我猜现在还有另一种方法可以完成这项工作，只需要做一点点工作：

my_array = np.full([1, 2], "", dtype=np.object)

使用 np.full 替代 np.empty，并使用空字符串（类型为对象）创建数组。

- ayiis

Answer 5

另一种选择是按以下方式初始化：

my_array = np.array([["CAT","APPLE"],['','']], dtype=str)

换句话说，首先您使用所需内容编写常规数组，然后将其转换为numpy数组。但是，这将使您的最大字符串长度固定为初始化时最长字符串的长度。因此，如果您要添加

my_array[1,0] = 'PINEAPPLE'

那么存储的字符串将是'PINEA'。

- Plamen

Answer 6

如果您正在进行for循环，则最好使用列表推导式，这将允许您分配正确的内存。

data = ['CAT', 'APPLE', 'CARROT']
my_array = [name for name in data]

- KanDan