Python 将Numpy数组转换为稀疏字典的最快方法？

我对尽快将numpy数组转换为稀疏字典感兴趣。让我详细说明：

给定阵列：

numpy.array([12,0,0,0,3,0,0,1])

我想出版这本词典：

{0:12, 4:3, 7:1}

如您所见，我们只是将序列类型转换为从非零索引到其值的显式映射

为了让这更有趣，我提供了以下测试工具来尝试替代方案：

from timeit import Timer

if __name__ == "__main__":
  s = "import numpy; from itertools import izip; from numpy import nonzero, flatnonzero; vector =         numpy.random.poisson(0.1, size=10000);"

  ms = [ "f = flatnonzero(vector); dict( zip( f, vector[f] ) )"
             , "f = flatnonzero(vector); dict( izip( f, vector[f] ) )"
             , "f = nonzero(vector); dict( izip( f[0], vector[f] ) )"
             , "n = vector > 0; i = numpy.arange(len(vector))[n]; v = vector[n]; dict(izip(i,v))"
             , "i = flatnonzero(vector); v = vector[vector > 0]; dict(izip(i,v))"
             , "dict( zip( flatnonzero(vector), vector[flatnonzero(vector)] ) )"
             , "dict( zip( flatnonzero(vector), vector[nonzero(vector)] ) )"
             , "dict( (i, x) for i,x in enumerate(vector) if x > 0);"
             ]
  for m in ms:
    print "  %.2fs" % Timer(m, s).timeit(1000), m

我使用泊松分布来模拟我感兴趣的数组类型

以下是我目前的结果：

   0.78s f = flatnonzero(vector); dict( zip( f, vector[f] ) )
   0.73s f = flatnonzero(vector); dict( izip( f, vector[f] ) )
   0.71s f = nonzero(vector); dict( izip( f[0], vector[f] ) )
   0.67s n = vector > 0; i = numpy.arange(len(vector))[n]; v = vector[n]; dict(izip(i,v))
   0.81s i = flatnonzero(vector); v = vector[vector > 0]; dict(izip(i,v))
   1.01s dict( zip( flatnonzero(vector), vector[flatnonzero(vector)] ) )
   1.03s dict( zip( flatnonzero(vector), vector[nonzero(vector)] ) )
   4.90s dict( (i, x) for i,x in enumerate(vector) if x > 0);

正如你所看到的，我找到的最快的解决方案是

n = vector > 0;
i = numpy.arange(len(vector))[n]
v = vector[n]
dict(izip(i,v))

有没有更快的办法

编辑： 台阶

看起来特别笨拙-在只选择某些元素之前生成整个数组，特别是当我们知道它可能只有被选择元素的1/10左右时。我认为这可能仍有待改进

试过这个吗

从哪里进口

---

i=其中（向量>0）[0]

使用scipy中的稀疏矩阵作为桥接：

from scipy.sparse import *
import numpy
a=numpy.array([12,0,0,0,3,0,0,1])
m=csr_matrix(a)

d={}
for i in m.nonzero()[1]:
  d[i]=m[0,i]
print d

---

以下似乎是一项重大改进：

i = np.flatnonzero(vector)
dict.fromkeys(i.tolist(), vector[i].tolist())

时间：

import numpy as np
from itertools import izip

vector = np.random.poisson(0.1, size=10000)

%timeit f = np.flatnonzero(vector); dict( izip( f, vector[f] ) )
# 1000 loops, best of 3: 951 µs per loop

%timeit f = np.flatnonzero(vector); dict.fromkeys(f.tolist(), vector[f].tolist())
# 1000 loops, best of 3: 419 µs per loop

我还尝试了

scipy.sparse.dok_matrix

和

pandas.DataFrame.to_dict

，但在我的测试中，它们比原来的慢。

您可以使用

return\u index=True

：

>>> import numpy as np

>>> arr = np.array([12,0,0,0,3,0,0,1])

>>> val, idx = np.unique(arr, return_index=True)
>>> mask = val != 0                                # exclude zero
>>> dict(zip(idx[mask], val[mask]))                # create the dictionary
{0: 12, 4: 3, 7: 1}

通常在

list

s上迭代比在

numpy.array

s上迭代要快，因此使用

tolist

将它们转换为列表时可以更快：

>>> dict(zip(idx[mask].tolist(), val[mask].tolist()))

时机 对于短阵列，此方法可能较慢，但根据我的计时，它比其他用于大阵列的方法更快：

import numpy as np
from scipy.sparse import csr_matrix

arr = np.random.randint(0, 10, size=10000)  # 10k items
arr[arr < 7] = 0                            # make it sparse

# ----------

%timeit {i:arr[i] for i in np.nonzero(arr)[0]}
# 3.7 ms ± 51 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

# ----------

%%timeit

val, idx = np.unique(arr, return_index=True)
mask = val != 0
dict(zip(idx[mask].tolist(), val[mask].tolist()))

# 844 µs ± 42.7 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

# ----------

%%timeit

m=csr_matrix(a)

d={}
for i in m.nonzero()[1]:
    d[i]=m[0,i]

# 1.52 s ± 57.4 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

将numpy导入为np
从scipy.sparse导入csr_矩阵
arr=np.random.randint（0,10，大小=10000）#10k项
arr[arr<7]=0#使其稀疏
# ----------
%timeit{i:arr[i]在np.nonzero（arr）[0]}
#每个回路3.7 ms±51µs（7次运行的平均值±标准偏差，每个100个回路）
# ----------
%%时间
val，idx=np.unique（arr，return\u index=True）
掩码=val！=0
dict（zip（idx[mask].tolist（），val[mask].tolist（））
#每个回路844µs±42.7µs（7次运行的平均值±标准偏差，每个1000个回路）
# ----------
%%时间
m=csr_矩阵（a）
d={}
对于m.nonzero中的i（）[1]：
d[i]=m[0，i]
#每个回路1.52 s±57.4 ms（7次运行的平均值±标准偏差，每个回路1次）

这与flatnonzero不一样吗？还有，你为什么不试试（他甚至张贴了他的测试工具）？如果你真的证明它更快，你会从我这里得到+1。

>>> dict(zip(idx[mask].tolist(), val[mask].tolist()))

import numpy as np
from scipy.sparse import csr_matrix

arr = np.random.randint(0, 10, size=10000)  # 10k items
arr[arr < 7] = 0                            # make it sparse

# ----------

%timeit {i:arr[i] for i in np.nonzero(arr)[0]}
# 3.7 ms ± 51 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

# ----------

%%timeit

val, idx = np.unique(arr, return_index=True)
mask = val != 0
dict(zip(idx[mask].tolist(), val[mask].tolist()))

# 844 µs ± 42.7 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

# ----------

%%timeit

m=csr_matrix(a)

d={}
for i in m.nonzero()[1]:
    d[i]=m[0,i]

# 1.52 s ± 57.4 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)