给定一个numpy数组
a = np.array([[0, -1, 0], [1, 0, 0], [1, 0, -1]])
如何最快地删除所有值为-1的元素，以获得以下形式的数组
np.array([[0, 0], [1, 0, 0], [1, 0]])
5个回答
4
你可能考虑另一种方法：
def iterative_numpy(a):
mask = a != 1
out = np.array([ a[i,mask[i]] for i xrange(a.shape[0]) ])
return out
Divakar的方法
loop_compr_based计算掩码行中的总和以及该结果的累积总和。此方法避免了这样的求和，但仍需迭代a的行。它还返回一个数组的数组。这种方法的烦恼在于必须使用语法out[1][2]而不是out[1,2]来索引out。将其与随机整数矩阵的时间进行比较：In [4]: a = np.random.random_integers(-1,1, size = (3,30))
In [5]: %timeit iterative_numpy(a)
100000 loops, best of 3: 11.1 us per loop
In [6]: %timeit loop_compr_based(a)
10000 loops, best of 3: 20.2 us per loop
In [7]: a = np.random.random_integers(-1,1, size = (30,3))
In [8]: %timeit iterative_numpy(a)
10000 loops, best of 3: 59.5 us per loop
In [9]: %timeit loop_compr_based(a)
10000 loops, best of 3: 30.8 us per loop
In [10]: a = np.random.random_integers(-1,1, size = (30,30))
In [11]: %timeit iterative_numpy(a)
10000 loops, best of 3: 64.6 us per loop
In [12]: %timeit loop_compr_based(a)
10000 loops, best of 3: 36 us per loop
当列数大于行数时，
iterative_numpy 胜出。当行数大于列数时，loop_compr_based 胜出，但先对 a 进行转置将提高两种方法的性能。当维度相同时，loop_compr_based 是最佳选择。
重要的附带讨论
除了实现之外，需要注意的是任何具有非均匀形状的 numpy 数组都不是实际数组，因为值不占据连续的内存空间，而且通常的数组操作将无法正常工作。
例如：
>>> a = np.array([[1,2,3],[1,2],[1]])
>>> a*2
array([[1, 2, 3, 1, 2, 3], [1, 2, 1, 2], [1, 1]], dtype=object)
请注意，numpy实际上告诉我们这不是通常的numpy数组，并带有提示
dtype = object。因此，最好只制作一个numpy数组列表并相应地使用它们。
- Mark Hannel
2
方法一：使用NumPy数组分割 -
def split_based(a, val):
mask = a!=val
p = np.split(a[mask],mask.sum(1)[:-1].cumsum())
out = np.array(list(map(list,p)))
return out
方法二：使用循环推导，但在循环内进行最少的操作。
def loop_compr_based(a, val):
mask = a!=val
stop = mask.sum(1).cumsum()
start = np.append(0,stop[:-1])
am = a[mask].tolist()
out = np.array([am[start[i]:stop[i]] for i in range(len(start))])
return out
样例运行 -
In [391]: a
Out[391]:
array([[ 0, -1, 0],
[ 1, 0, 0],
[ 1, 0, -1],
[-1, -1, 8],
[ 3, 7, 2]])
In [392]: split_based(a, val=-1)
Out[392]: array([[0, 0], [1, 0, 0], [1, 0], [8], [3, 7, 2]], dtype=object)
In [393]: loop_compr_based(a, val=-1)
Out[393]: array([[0, 0], [1, 0, 0], [1, 0], [8], [3, 7, 2]], dtype=object)
运行时测试 -
In [387]: a = np.random.randint(-2,10,(1000,1000))
In [388]: %timeit split_based(a, val=-1)
10 loops, best of 3: 161 ms per loop
In [389]: %timeit loop_compr_based(a, val=-1)
10 loops, best of 3: 29 ms per loop
- Divakar
3
对于Python 3，我认为方法＃1中的最后一行应该是：
out = np.array(list(map(list,p)))。 - Kamil Sindi1@capitalistpug 对我来说，使用
a = np.random.randint(-2,10,(1000,1000))，方法 #2 比方法 #1 快了 5 倍。 - Divakar1我犯了一个错误，因为我正在使用py3，正如你所知道的，map是一个迭代器。 - Kamil Sindi
0
使用
indexes = np.where(a == -1)来获取元素的索引
从numpy数组中查找等于零的元素的索引
然后使用np.delete(your_array, indexes)按索引删除特定元素
如何在numpy数组中删除特定元素
- VanDarkholme
2
这不会在多维数组中保留正确的值。 - Goodies
1期望的结果不是多维数组，而是一个不规则数组列表（或对象数组）。 - hpaulj
0
这个怎么样？
print([[y for y in x if y > -1] for x in a])
[[0, 0], [1, 0, 0], [1, 0]]
- Tanaike
1
不是numpy解决方案。如果您使用此方法，效率很可能会受到影响。 - Goodies
0
对于你可能想要使用的数组的几乎所有操作，你都可以使用掩码数组。
a = np.array([[0, -1, 0], [1, 0, 0], [1, 0, -1]])
b=np.ma.masked_equal(a,-1)
b
Out[5]:
masked_array(data =
[[0 -- 0]
[1 0 0]
[1 0 --]],
mask =
[[False True False]
[False False False]
[False False True]],
fill_value = -1)
如果您真的需要不规则数组，可以按行进行.compressed()处理
c=np.array([b[i].compressed() for i in range(b.shape[0])])
c
Out[10]: array([array([0, 0]), array([1, 0, 0]), array([1, 0])], dtype=object)
- Daniel F
网页内容由stack overflow 提供, 点击上面的可以查看英文原文，
原文链接
原文链接