是否有一种原生的 numpy 方法来转换布尔值的字符串表示形式的数组，例如：
['True','False','True','False']
到一个可以用于屏蔽/索引的实际布尔数组？我可以做一个 for 循环遍历并重建数组，但对于大型数组，这很慢。
【问题讨论】：
您应该能够进行布尔比较，IIUC，dtype 是字符串还是 object：
>>> a = np.array(['True', 'False', 'True', 'False'])
>>> a
array(['True', 'False', 'True', 'False'],
dtype='|S5')
>>> a == "True"
array([ True, False, True, False], dtype=bool)
或
>>> a = np.array(['True', 'False', 'True', 'False'], dtype=object)
>>> a
array(['True', 'False', 'True', 'False'], dtype=object)
>>> a == "True"
array([ True, False, True, False], dtype=bool)
【讨论】：
a 中所有 'True' 的项目对于 id() 具有相同的值，对于所有'False' 元素[虽然奇怪的是，is 似乎不适用于这些元素。事实上，即使您针对自身测试条目，它也不起作用。a[0] is a[0] 返回False，即使id(a[0]) == id(a[0])返回True]) 我相信实习就是为什么这里的相等检查比numpy.char.startswith() 快得多，即使numpy.char 中的函数应该对numpy 数组执行快速字符串操作。
我发现了一种比 DSM 更快的方法，从 Eric 那里获得了灵感，尽管在较小的值列表中可以看到这种改进；在非常大的值下，迭代本身的成本开始超过在创建 numpy 数组期间而不是之后执行真值测试的优势。使用is 和== 进行测试（对于字符串被实习的情况与它们可能不被实习的情况，因为is 不适用于非实习字符串。因为'True' 可能会是一个文字不过，它应该被实习的脚本）表明，虽然我使用 == 的版本比使用 is 的版本慢，但它仍然比 DSM 的版本快得多。
测试设置：
import timeit
def timer(statement, count):
return timeit.repeat(statement, "from random import choice;import numpy as np;x = [choice(['True', 'False']) for i in range(%i)]" % count)
>>> stateIs = "y = np.fromiter((e is 'True' for e in x), bool)"
>>> stateEq = "y = np.fromiter((e == 'True' for e in x), bool)"
>>> stateDSM = "y = np.array(x) == 'True'"
对于 1000 个项目，更快的语句大约需要 DSM 的 66% 的时间：
>>> timer(stateIs, 1000)
[101.77722641656146, 100.74985342340369, 101.47228618107965]
>>> timer(stateEq, 1000)
[112.26464996250706, 112.50754567379681, 112.76057346127709]
>>> timer(stateDSM, 1000)
[155.67689949529995, 155.96820504501557, 158.32394669279802]
对于较小的字符串数组（数百个而不是数千个），经过的时间少于 DSM 的 50%：
>>> timer(stateIs, 100)
[11.947757485669172, 11.927990253608186, 12.057855628259858]
>>> timer(stateEq, 100)
[13.064947253943501, 13.161545451986967, 13.30599035623618]
>>> timer(stateDSM, 100)
[31.270060799078237, 30.941749748808434, 31.253922641324607]
当每个列表包含 50 个项目时，超过 25% 的 DSM：
>>> timer(stateIs, 50)
[6.856538342483873, 6.741083326021908, 6.708402786859551]
>>> timer(stateEq, 50)
[7.346079345032194, 7.312723444475523, 7.309259899921017]
>>> timer(stateDSM, 50)
[24.154247576229864, 24.173593700599667, 23.946403452288905]
对于 5 件商品，约占 DSM 的 11%：
>>> timer(stateIs, 5)
[1.8826215278058953, 1.850232652068371, 1.8559381315990322]
>>> timer(stateEq, 5)
[1.9252821868467436, 1.894011299061276, 1.894306935199893]
>>> timer(stateDSM, 5)
[18.060974208809057, 17.916322392367874, 17.8379771602049]
【讨论】：
True？ :-P
这够好吗？
my_list = ['True', 'False', 'True', 'False']
np.array(x == 'True' for x in my_list)
它不是原生的，但如果你从非原生列表开始，那真的没关系。
【讨论】：