从 numpy 数组中的每个字符串中提取第一个字母

我有一个巨大的 numpy 数组，其中元素是字符串。我喜欢用字符串的第一个字母替换字符串。例如如果

C[0] = 'A90CD'

我想将其替换为

C[0] = 'A'

简而言之，我正在考虑在循环中应用正则表达式，其中我有一个正则表达式字典，例如

'^A.+$' => 'A'

'^B.+$' => 'B' ETC

如何将此正则表达式应用于 numpy 数组？或者有没有更好的方法来达到同样的目的？

这里不需要正则表达式。只需将数组转换为 1 字节字符串，使用astype -

v = np.array(['abc', 'def', 'ghi'])

>>> v.astype('<U1')
array(['a', 'd', 'g'],
      dtype='<U1')

或者，您可以更改其view并大步迈进。这是针对相同大小的字符串的稍微优化的版本。 -

>>> v.view('<U1')[::len(v[0])]
array(['a', 'd', 'g'],
      dtype='<U1')

这是更通用的版本.view方法，但这适用于不同长度的字符串数组。感谢 Paul Panzer 的帮助建议 -

>>> v.view('<U1').reshape(v.shape + (-1,))[:, 0]
array(['a', 'd', 'g'],
      dtype='<U1')

表现

y = np.array([x * 20 for x in v]).repeat(100000)

y.shape
(300000,)

len(y[0])   # they're all the same length - `abcabcabc...`
60

现在，时间安排——

# `astype` conversion

%timeit y.astype('<U1')
100 loops, best of 3: 5.03 ms per loop

# `view` for equal sized string arrays 

%timeit y.view('<U1')[::len(y[0])]
100000 loops, best of 3: 2.43 µs per loop

# Paul Panzer's version for differing length strings

%timeit y.view('<U1').reshape(y.shape + (-1,))[:, 0]
100000 loops, best of 3: 3.1 µs per loop

The view方法是速度大幅提升.

但是，请谨慎使用，因为内存是共享的。

如果您对更通用的解决方案感兴趣，可以找到您第一个字母（无论它在哪里），我想说最快/最简单的方法是使用re模块，编译模式并在列表理解中搜索。

>>> p = re.compile('[a-zA-Z]')
>>> [p.search(x).group() for x in v]
['a', 'd', 'g']

而且，它在上述相同设置下的性能 -

%timeit [p.search(x).group() for x in y]
1 loop, best of 3: 320 ms per loop