IndexError：数组的索引过多。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，加载一个包含 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 不是同质的（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？我是否必须将 numpy 数组转换为 2D（如果是，以哪种方式）？还是我必须使用其他方式来选择正确的列？

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，https://stackoverflow.com/a/37126091/901925，

您可以将dtype=None 数据转换为这种复合数据类型

data.view(dt)

虽然这要求所有数字都加载为浮点数（或全部为整数）。通常 CSV 混合了浮点和整数列，因此 None genfromtxt 调用的数字字段将是混合类型。

借用其他答案，一般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 个具有不同 dtype 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']]。但是你可以用名字列表做的事情是有限的。

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

如果你做一个副本，你可以做得更多，如果你把它看作是同构数组，你可以做得更多：

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. ]])

（更改为d23 不会影响原来的data）。