train_dataset的形状为(10000, 28, 28)，而val_dateset的形状为(2000, 28, 28)。除了使用循环迭代的方法外，是否有任何有效的方式可以使用numpy数组函数来查找两个ndarrays之间的重叠部分？我从Jaime在这里的出色回答中学到的一个技巧是使用np.void dtype来将输入数组的每一行视为单个元素。这允许您将它们作为1D数组处理，然后可以将它们传递给np.in1d或其他集合例程。
import numpy as np
def find_overlap(A, B):
if not A.dtype == B.dtype:
raise TypeError("A and B must have the same dtype")
if not A.shape[1:] == B.shape[1:]:
raise ValueError("the shapes of A and B must be identical apart from "
"the row dimension")
# reshape A and B to 2D arrays. force a copy if neccessary in order to
# ensure that they are C-contiguous.
A = np.ascontiguousarray(A.reshape(A.shape[0], -1))
B = np.ascontiguousarray(B.reshape(B.shape[0], -1))
# void type that views each row in A and B as a single item
t = np.dtype((np.void, A.dtype.itemsize * A.shape[1]))
# use in1d to find rows in A that are also in B
return np.in1d(A.view(t), B.view(t))
例如：
gen = np.random.RandomState(0)
A = gen.randn(1000, 28, 28)
dupe_idx = gen.choice(A.shape[0], size=200, replace=False)
B = A[dupe_idx]
A_in_B = find_overlap(A, B)
print(np.all(np.where(A_in_B)[0] == np.sort(dupe_idx)))
# True
这种方法比Divakar的方法更加节省内存，因为它不需要广播到一个(m, n, ...)布尔数组上。实际上，如果A和B是按行存储的，则根本不需要复制。
为了比较，我稍微修改了Divakar和B. M.的解决方案。
def divakar(A, B):
A.shape = A.shape[0], -1
B.shape = B.shape[0], -1
return (B[:,None] == A).all(axis=(2)).any(0)
def bm(A, B):
t = 'S' + str(A.size // A.shape[0] * A.dtype.itemsize)
ma = np.frombuffer(np.ascontiguousarray(A), t)
mb = np.frombuffer(np.ascontiguousarray(B), t)
return (mb[:, None] == ma).any(0)
In [1]: na = 1000; nb = 200; rowshape = 28, 28
In [2]: %%timeit A = gen.randn(na, *rowshape); idx = gen.choice(na, size=nb, replace=False); B = A[idx]
divakar(A, B)
....:
1 loops, best of 3: 244 ms per loop
In [3]: %%timeit A = gen.randn(na, *rowshape); idx = gen.choice(na, size=nb, replace=False); B = A[idx]
bm(A, B)
....:
100 loops, best of 3: 2.81 ms per loop
In [4]: %%timeit A = gen.randn(na, *rowshape); idx = gen.choice(na, size=nb, replace=False); B = A[idx]
find_overlap(A, B)
....:
100 loops, best of 3: 15 ms per loop
可以看出，对于小的n，B. M.的解决方案比我的略快一些，但是使用np.in1d进行元素相等性测试比测试所有元素的相等性（O(n²)复杂度）更好地扩展（O(n log n)复杂度）。
In [5]: na = 10000; nb = 2000; rowshape = 28, 28
In [6]: %%timeit A = gen.randn(na, *rowshape); idx = gen.choice(na, size=nb, replace=False); B = A[idx]
bm(A, B)
....:
1 loops, best of 3: 271 ms per loop
In [7]: %%timeit A = gen.randn(na, *rowshape); idx = gen.choice(na, size=nb, replace=False); B = A[idx]
find_overlap(A, B)
....:
10 loops, best of 3: 123 ms per loop
np.ascontiguousarray(A.reshape(A.shape[0], -1))而不是我看到其他代码使用的np.array([x.flatten() for x in A])的原因是什么？这是一种风格问题，还是它们执行不同的操作？ - Barkerreshape慢，特别是如果A中有很多行的话。此外，.flatten()总是返回一个副本（而.reshape()和.ravel()仅在必要时才返回副本），因此您正在创建A中每一行的临时副本，然后在列表上调用np.array(...)时又创建了另一个副本。np.ascontiguousarray仅在必要时返回副本，因此我的代码最多只会创建A的一个副本。 - ali_m如果内存允许，您可以使用广播，像这样 -
val_dateset[(train_dataset[:,None] == val_dateset).all(axis=(2,3)).any(0)]
运行示例 -
In [55]: train_dataset
Out[55]:
array([[[1, 1],
[1, 1]],
[[1, 0],
[0, 0]],
[[0, 0],
[0, 1]],
[[0, 1],
[0, 0]],
[[1, 1],
[1, 0]]])
In [56]: val_dateset
Out[56]:
array([[[0, 1],
[1, 0]],
[[1, 1],
[1, 1]],
[[0, 0],
[0, 1]]])
In [57]: val_dateset[(train_dataset[:,None] == val_dateset).all(axis=(2,3)).any(0)]
Out[57]:
array([[[1, 1],
[1, 1]],
[[0, 0],
[0, 1]]])
axis=(1,2)块折叠成标量，将它们视为可线性索引的数字，然后有效地使用np.in1d或np.intersect1d查找匹配项。pack data, for a 200 ko array:
from pylab import *
N=10000
a=rand(N,28,28)
b=a[[randint(0,N,N//5)]]
packedtype='S'+ str(a.size//a.shape[0]*a.dtype.itemsize) # 'S6272'
ma=frombuffer(a,packedtype) # ma.shape=10000
mb=frombuffer(b,packedtype) # mb.shape=2000
%timeit a[:,None]==b : 102 s
%timeit ma[:,None]==mb : 800 ms
allclose((a[:,None]==b).all((2,3)),(ma[:,None]==mb)) : True
less memory is helped here by lazy string comparison, breaking at first difference :
In [31]: %timeit a[:100]==b[:100]
10000 loops, best of 3: 175 µs per loop
In [32]: %timeit a[:100]==a[:100]
10000 loops, best of 3: 133 µs per loop
In [34]: %timeit ma[:100]==mb[:100]
100000 loops, best of 3: 7.55 µs per loop
In [35]: %timeit ma[:100]==ma[:100]
10000 loops, best of 3: 156 µs per loop
(ma[:,None]==mb).nonzero()。
use in1d, for a (Na+Nb) ln(Na+Nb) complexity, against
Na*Nb on full comparison :
%timeit in1d(ma,mb).nonzero() : 590ms
ascontiguousarray，这样它才能正确地处理像 a = rand(28,28,N).T 这样的数组。 - user2379410这个问题来自谷歌的在线深度学习课程吗？以下是我的解决方案：
sum = 0 # number of overlapping rows
for i in range(val_dataset.shape[0]): # iterate over all rows of val_dataset
overlap = (train_dataset == val_dataset[i,:,:]).all(axis=1).all(axis=1).sum()
if overlap:
sum += 1
print(sum)
def overlap(a,b):
"""
returns a boolean index array for input array b representing
elements in b that are also found in a
"""
a.repeat(b.shape[0],axis=0)
b.repeat(a.shape[0],axis=0)
c = aa == bb
c = c[::a.shape[0]]
return c.all(axis=1)[:,0]
b，以提取在a中也找到的元素。b[overlap(a,b)]
为了简化起见，我假设您已经在此示例中导入了numpy中的所有内容：
from numpy import *
例如，给定两个ndarrays：
a = arange(4*2*2).reshape(4,2,2)
b = arange(3*2*2).reshape(3,2,2)
a 和 b 以使它们具有相同的形状。aa = a.repeat(b.shape[0],axis=0)
bb = b.repeat(a.shape[0],axis=0)
aa和bb的元素。c = aa == bb
shape（a）[0] 个元素，获取在 b 中也找到的元素的索引。
cc == c[::a.shape[0]]
最后，我们提取一个索引数组，其中仅包含子数组中所有元素都为 True 的元素。
c.all(axis=1)[:,0]
在我们的例子中，我们得到
array([True, True, True], dtype=bool)
检查一下，更改b的第一个元素。
b[0] = array([[50,60],[70,80]])
and we get
array([False, True, True], dtype=bool)
from numpy import * 的方式污染你的命名空间。 - ali_m
train_dataset和val_dataset中都存在的行的索引吗？ - ali_m