使用NumPy修改ndarray元素时出现字符串截断的问题咨询

这个问题和正则匹配逻辑无关，是NumPy 1.x版本定长字符串数组的默认行为导致的静默截断：

• 逐行创建labelList时，NumPy会自动根据传入列表中最长的字符串长度，为整个数组推断固定长度的字符串类型（dtype），类型标识为<Un，其中n代表每个数组元素最多可存储的字符数，创建完成后这个长度就固定无法修改。
• 处理1249行数据时，数组创建阶段的初始元素为['1249', 'male', 'child', 'white', 'funny', '']，所有元素的最长长度为5（如child、white、funny均为5个字符），因此数组的dtype会被自动设为<U5，每个槽位最多容纳5个字符。
• 后续往索引4的位置赋值7个字符长度的'smiling'时，由于槽位容量已经固定为5个字符，NumPy不会自动扩容，也不会抛出报错，只会静默截断超出长度的内容，最终只保留前5个字符'smili'，丢失末尾的'ng'。

可以通过在创建数组后打印labelList.dtype验证，处理1249行时的数组类型确实是dtype('<U5')。

• 手动指定足够长的字符串dtype，跳过自动推断的短长度限制：
  修改数组创建代码，把原行：

  labelList = np.array(["".join(x) for x in match])
  

  替换为：

  labelList = np.array(["".join(x) for x in match], dtype="<U20")
  

  直接将每个槽位的可存储长度设为20，只要后续赋值的字符串长度不超过20就不会出现截断。

• 先完成字符串替换逻辑，最后再转换为NumPy数组：
  把原来的“先转数组再修改值”的逻辑，改成先用普通Python列表处理所有替换操作，确认所有值都确定后再生成NumPy数组，此时自动推断的dtype会把替换后的长字符串也算入长度统计，不会出现截断：

  # 先用普通列表处理，不要提前转numpy数组
  label_list = ["".join(x) for x in match]
  if label_list[4] == 'funny':
      label_list[4] = 'smiling'
  # 所有替换完成后再转数组
  labelList = np.array(label_list)
  

• 如果后续需要频繁修改数组内字符串的长度，也可以创建数组时指定dtype=object，此时数组元素存储的是Python原生字符串对象的引用，不会存在固定长度限制，但这种方式会损失NumPy字符串数组的内存与运算效率，仅适合对性能要求不高的场景。

内容的提问来源于stack exchange，提问作者iwho