如何使用字典替换嵌套列表内层元素？解决numpy TypeError报错问题

咱们先理清楚报错的根源：当你处理二维numpy数组时，直接用[ss_dict[i] for i in l]会把整个子数组当作字典的键去查找，但numpy数组是不可哈希的类型（unhashable），所以就抛出了TypeError: unhashable type: 'numpy.ndarray'——而一维数组时，遍历的是单个int元素，int是可哈希的，所以能正常工作。

下面给你几个可行的解决方案，按需选择：

方案1：嵌套列表推导式（最直观，新手友好） #

既然是二维数组，咱们就逐层遍历到最内层的单个元素，再用字典替换：

import numpy as np
ss_dict = { 
1 : np.array([1,0,0,0,0,0]), 
2 : np.array([0,1,0,0,0,0]), 
3 : np.array([0,0,1,0,0,0]), 
4 : np.array([0,0,0,1,0,0]), 
5 : np.array([0,0,0,0,1,0]), 
6 : np.array([0,0,0,0,0,1]), 
}

# 二维输入数组示例
l = np.array([[1,2,3],[4,5,6]])
# 嵌套推导：先遍历每个子数组，再遍历子数组里的每个元素
l_replaced = np.array([[ss_dict[i] for i in sub_arr] for sub_arr in l])
print(l_replaced)

输出结果会是一个3维数组（每个原元素被替换成了6元素的数组）：

[[[1 0 0 0 0 0]
  [0 1 0 0 0 0]
  [0 0 1 0 0 0]]

 [[0 0 0 1 0 0]
  [0 0 0 0 1 0]
  [0 0 0 0 0 1]]]

方案2：使用numpy的vectorize函数（适配多维场景） #

如果以后还要处理更高维的数组，用np.vectorize把字典查找封装成向量化函数，自动帮你遍历所有元素：

# 定义向量化的替换函数，指定输出类型为ndarray
vec_replace = np.vectorize(lambda x: ss_dict[x], otypes=[np.ndarray])
l_replaced = vec_replace(l)
# 把结果整理成符合预期的形状（原二维数组+每个元素的6维长度）
print(l_replaced.reshape(l.shape + (6,)))

这个方法不用管输入是1维、2维还是3维，都能自动适配，省得改推导式的层数。

方案3：利用numpy索引映射（最高效，适合大数据） #

如果你的字典键是连续整数（比如这里是1-6），可以把字典的值整理成一个大数组，直接用索引替换，效率比列表推导式高很多：

# 把字典的值按键的顺序排列，索引和键对应（这里键从1开始，所以索引0放个占位的空数组）
mapping_arr = np.array([
    np.zeros(6),  # 索引0，对应键0（如果不需要可以去掉，只要保证键n对应索引n就行）
    ss_dict[1],
    ss_dict[2],
    ss_dict[3],
    ss_dict[4],
    ss_dict[5],
    ss_dict[6]
])
# 直接用数组索引替换，numpy会自动处理多维数组的广播
l_replaced = mapping_arr[l]
print(l_replaced)

这个方法是numpy原生优化过的操作，处理大规模数据时速度会快很多。

最后提醒一句：如果你的输入数组里可能存在不在字典键中的值，记得用ss_dict.get(i, 默认值)来避免KeyError哦～

内容的提问来源于stack exchange，提问作者lanselibai