Python中将数据集数组shape第三维设为字符串元素长度的实现方法

1. 裁剪样本量到目标行数 #

如果你的原始数据行数大于需求的样本量，先截取对应行数的样本：

# 对应你最初提到的shape为(193,4)的数据集，截取前190行
df2 = df2[:190]

# 如果是处理你后续给出的x_tr（shape为(930,5)），不需要裁剪可以跳过这一步

2. 扩展第三维度（拆分字符串为单个字符） #

用numpy向量化操作直接拆分字符串，无需循环，自动适配字符串长度作为第三维度：

# 针对(190,4)的数组转(190,4,5)
target_arr = df2.view('U1').reshape(df2.shape[0], df2.shape[1], -1)

# 针对x_tr（930,5）转三维数组，直接调用即可，返回shape为(930,5,5)
x_tr_target = x_tr.view('U1').reshape(x_tr.shape[0], x_tr.shape[1], -1)

3. 校验结果 #

可以通过以下代码验证转换是否符合预期：

# 查看输出维度
print(target_arr.shape)
# 验证单条字符串拆分结果，原字符串为'00010'的话，输出为['0' '0' '0' '1' '0']
print(target_arr[0,0])

# 可选：提前校验所有字符串长度是否一致，避免转换错误
length_check = np.vectorize(len)(df2)
print((length_check == 5).all()) # 返回True说明所有元素长度均为5，转换无问题

实现原理 #

view('U1')会将numpy数组中的每个Unicode字符串拆分为单个字符的数组，reshape时最后一维用-1会自动匹配字符串长度，不需要手动指定为5，适配性更强。

内容的提问来源于stack exchange，提问作者Sukhmani Kaur Thethi