当 numpy dtype 为“object”时将 nan 转换为零答案

【问题标题】：Convert nan to Zero when numpy dtype is "object"当 numpy dtype 为“object”时将 nan 转换为零
【发布时间】：2020-01-10 22:47:30
【问题描述】：

我有一个包含 nan 的 numpy 数组。我尝试使用

将这些 nan 转换为零

 X_ = np.nan_to_num(X_, copy = False)

但它没有工作。我怀疑它是因为 X_ 的 dtype 是对象。我尝试使用

将其转换为 float64

X_= X_.astype(np.float64)

但这也没用

当 dtype 为 object 时，有没有办法将 nan 转换为零？

【问题讨论】：

你的X_类型和dtype是什么？
@Alpha dtype 是 'object' 并且 type 是 'numpy.ndarray'
你是如何得到这个“对象”nan的？
@Alpha 我将列表中的单词与包含键值对的字典中的键匹配，然后将相应的值加载到列表中并将列表转换为数组。数组的 dtype 变成了“对象”，而单词和键不匹配的实例，我填充了一个零数组，但是当我检查时，我看到了 nan。 vector_values.append(self._E.get(w, Q) 其中 w 是字典的键，Q 是一个 numpy 零数组。
来自您的 cmets，我认为有些地方不合适。也许你应该直接发布你的问题，为什么你的预期零变成了 nan

标签： python numpy nan dtype

【解决方案1】：

a  = [np.nan]
b = np.array(a)
c = np.nan_to_num(b)
print(b)
print(c)

结果：

[nan]
[0.]

它有效。检查你的 X_ 格式。

【讨论】：

【解决方案2】：

似乎由于对象类型的原因，无法转换为浮点数。可能有点hacky，但你可以尝试转换为str：

X_.astype(str).replace('np.NaN', 0).astype(float)

【讨论】：

我这样做了： X_ = X_.astype(str).replace('nan', np.zeros((1, 200))).astype(float) 它给出了ValueError：使用序列设置数组元素
我尝试用 0 替换每个 np.nan 元素。您正在尝试用完整数组 (np.zeros((1, 200))) 替换每个 np.nan 元素。这就是为什么它不起作用。只需使用 0 替换即可。
不幸的是，我不能只用一个 0 替换，因为所有数组都需要具有相同的形状，而其他条目已经是 (1,200)。我可以探索其他工作吗？
您应该用 0 替换 200 个元素中的每一个（如果是 np.nan）。您正在尝试用 200 个元素向量替换每个元素（使其成为 200x200 矩阵）。
X_ 包含 3663 行和 200 列，其中一些行只是 nan，这就是为什么我想用 (1, 200) 数组替换每个 nan。就我而言， nan 不是一个元素，它是一个完整的数组。此外，当使用零数组的单个零插入时，我得到了同样的错误

【解决方案3】：

如果您的数组仅包含“合理”（见下文）元素，那么您可以使用以下解决方法：

np.where(X_==X_,X_,0)

我的合理意思是元素 e 满足 e==e 唯一的例外是 nan。例如，如果没有将用户定义的类用作元素，则应该是这种情况。

【讨论】：

据我了解，当您想查找数组中特定条目的位置时使用 np.where ，这不是我想要做的。我的标题可能有点混乱，但我想将所有 nan 转换为 numpy.zero 数组。
@Kosi 阅读docs。

【解决方案4】：

“object”dtype 也给我带来了问题。但是您的astype(np.float64) 实际上确实为我工作。谢谢！

print("Creating a numpy array from a mixed type DataFrame can create an 'object' numpy array dtype:")
A = np.array([1., 2., 3., np.nan]); print('A:', A, A.dtype)
B = pd.DataFrame([[1., 2., 3., np.nan,],  [1, 2, 3, '4']]
                  ).to_numpy();  print('B:', B, B.dtype, '\n')

print('Converting vanilla A is fine:\n', np.nan_to_num(A, nan=-99), '\n')
print('But not B:\n', np.nan_to_num(B, nan=-99), '\n')
print('Not even this slice of B, \nB[0, :] : ', B[0, :])
print(np.nan_to_num(B[0, :], nan=-99), '\n')

print('The astype(np.float64) does the trick here:\n', 
      np.nan_to_num(B[0, :].astype(np.float64), nan=-99), '\n\n')

输出：

Creating a numpy array from a mixed type DataFrame can create an 'object' numpy array dtype:
A: [ 1.  2.  3. nan] float64
B: [[1.0 2.0 3.0 nan]
 [1.0 2.0 3.0 '4']] object 

Converting vanilla A is fine:
 [  1.   2.   3. -99.] 

But not B:
 [[1.0 2.0 3.0 nan]
 [1.0 2.0 3.0 '4']] 

Not even this slice of B, 
B[0, :] :  [1.0 2.0 3.0 nan]
[1.0 2.0 3.0 nan] 

The astype(np.float64) does the trick here:
 [  1.   2.   3. -99.]

【讨论】：