如何让Numpy数组支持变长？不规则长度元素实现方法

1. 直接使用Python原生列表 #

Python列表天然支持不规则长度的嵌套结构，可通过列表推导式直接完成转换：

original = [[0,0,1],[0,1,2]]
result = [list(filter(lambda x: x != 0, sublist)) for sublist in original]
# 输出: [[1], [1, 2]]

无需额外依赖，操作灵活，是处理这类场景最直接的方式。

2. NumPy的object类型数组 #

若想保留NumPy数组的容器形式，可创建object类型的NumPy数组，它允许每个元素为任意Python对象（包括长度不同的列表）：

import numpy as np

original_np = np.array([[0,0,1],[0,1,2]])
processed_list = [list(filter(lambda x: x != 0, sublist)) for sublist in original_np.tolist()]
result_np = np.array(processed_list, dtype=object)
# 输出: array([list([1]), list([1, 2])], dtype=object)

注意：object数组无法利用NumPy的向量化运算优势，仅作为兼容容器使用。

3. 使用Pandas处理 #

如果需要后续做数据清洗、分析，可借助Pandas的Series或DataFrame存储变长序列：

import pandas as pd

original = [[0,0,1],[0,1,2]]
processed = [list(filter(lambda x: x != 0, sublist)) for sublist in original]
s = pd.Series(processed)
# 输出:
# 0       [1]
# 1    [1, 2]
# dtype: object

Pandas支持对变长序列做分组、聚合等操作，适配数据处理场景。

4. 深度学习场景：变长张量库 #

如果是深度学习需求，PyTorch的PackedSequence或TensorFlow的RaggedTensor专为变长序列设计，支持高效运算：

• PyTorch示例：

import torch
from torch.nn.utils.rnn import pack_sequence

tensors = [torch.tensor([1]), torch.tensor([1,2])]
packed_seq = pack_sequence(tensors, enforce_sorted=False)

• TensorFlow示例：

import tensorflow as tf

ragged_tensor = tf.ragged.constant([[1], [1,2]])

内容的提问来源于stack exchange，提问作者Philip Nicoll