将 pandas 系列字符串转换为 numpy 频率矩阵的有效方法答案

【问题标题】：efficient way to convert pandas series of strings to numpy frequency matrix将 pandas 系列字符串转换为 numpy 频率矩阵的有效方法
【发布时间】：2021-05-15 09:53:51
【问题描述】：

我有：

英文字符列表，a 到 z：char_list
字符串系列

我想创建一个 numpy 矩阵，其中每一行对应于系列中同一行的字符串，每一列对应于列表中同一索引处的字符。

示例：

series: [[ab],[ac],[aa]]
chars = [a,b,c]
result = [[110],[101],[200]]

这是我现在的做法：

def create_char_matrix(strings, symbol_list):
    
    mat = np.zeros((strings.shape[0],len(symbol_list)))
    
    for i, line in enumerate(strings):
        for c in line:
            mat[i,symbol_list.index(c)] += 1 
 
    
    return mat

这不是很快，考虑到通常有比嵌套 for 循环更好的解决方案。

关于如何加快这一进程的任何想法？

【问题讨论】：

标签： python pandas numpy

【解决方案1】：

你可以把字符串拆分成字符，然后crosstab：

s = pd.Series(['ab','ac','aa'])
chars=['a','b','c']
    
a = s.str.split('').str[1:-1].explode()
pd.crosstab(a.index, a).reindex(chars, axis=1, fill_value=0).values

输出：

array([[1, 1, 0],
       [1, 0, 1],
       [2, 0, 0]])

【讨论】：