问题描述
我想用ID替换sequence的所有项，以标识它们所在的标签机列表。假设sequence和labeller的所有值都不同，并且labeller列表的并集具有与sequence相同的项目。 lsizes对应于labeller中列表的大小，对于Pythonic解决方案来说是多余的，但对于完全矢量化解决方案可能是强制性的。
sequence = [1,2,10,5,6,4,3,8,7,9],labeller = [[1,10],[3,7],[8,9]]
lsizes = [3,2]
我知道如何以一种简单的方式解决它：
idx = {u:i for i,label in enumerate(labeller) for u in label}
tags = [idx[u] for u in sequence]
输出为：
tags = [0,1,2]
此后，我竭尽全力以向量化的方式进行操作。对我来说这很复杂。这是我的尝试，是通过猜测完成的，但是很遗憾，它没有通过我的所有测试。我希望我会关闭：
sequence = np.array(sequence)
cl = np.concatenate(labeller)
_,cl_idx = np.unique(cl,return_index=True)
_,idx = np.unique(sequence[cl_idx],return_index=True)
tags = np.repeat(np.arange(len(lsizes)),lsizes)[idx]
#output: [0 0 1 1 0 1 1 1 2 2]
我该如何完成？我还希望看到严格的解释，它的作用以及如何更好地理解它。也欢迎任何消息来源。
解决方法
方法1
对于那些追溯问题，searchsorted似乎也是在这里工作的方法，重复使用cl-
cl = np.concatenate(labeller)
sidx = cl.argsort()
idx = np.searchsorted(cl,sequence,sorter=sidx)
idx0 = sidx[idx]
l = list(map(len,labeller))
r = np.repeat(np.arange(len(l)),l)
out = r[idx0]
为lsizes使用l使其完全矢量化。但是，我怀疑连接步骤可能很繁琐。是否值得，在很大程度上取决于子数组的长度。
方法2
对于正数，这是一个使用数组索引作为哈希机制的数字-
N = max(map(max,labeller))+1
id_ar = np.zeros(N,dtype=int) # use np.empty for perf. boost
for i,l in enumerate(labeller):
id_ar[l] = i
out = id_ar[sequence]
sequence = [1,2,10,5,6,4,3,8,7,9]
labeller = [[1,10],[3,7],[8,9]]
lsizes = [3,2]
sequence_array = np.array(sequence)
labeller_array = np.array(labeller).sum()
index_array = np.repeat(list(range(len(lsizes))),lsizes)
np.apply_along_axis(lambda num : index_array[np.where(labeller_array == num)[0]],sequence_array[None,:])
# output: array([[0,1,2]])
替代：
label_df = pd.DataFrame({'label':labeller_array,'index':index_array})
seq_df = pd.DataFrame({'seq':sequence_array})
seq_df.merge(label_df,left_on = 'seq',right_on = 'label')['index'].tolist()
#output: [0,2]