我有一个布尔类型的NumPy数组'boolarr'。 我想计算其值为True的元素数量。是否有专门用于此任务的NumPy或Python例程？还是说我需要在脚本中迭代这些元素？
6个回答
343
你有多种选择。以下是其中两个。
boolarr.sum()
numpy.count_nonzero(boolarr)
这里有一个例子：
>>> import numpy as np
>>> boolarr = np.array([[0, 0, 1], [1, 0, 1], [1, 0, 1]], dtype=np.bool)
>>> boolarr
array([[False, False, True],
[ True, False, True],
[ True, False, True]], dtype=bool)
>>> boolarr.sum()
5
当然，那是一个针对 bool 类型的答案。更普遍地，您可以使用 numpy.count_nonzero。
>>> np.count_nonzero(boolarr)
5
- David Alber
9
3谢谢，David。它们看起来很整洁。关于使用sum(..)的方法，在Python中（或至少在NumPy中），True是否总是等于1？如果不能保证，我会先添加一个检查'if True==1:'。关于count_nonzero(..)，不幸的是，在我使用的NumPy版本1.5.1中没有实现它，但将来我可能有机会使用它。 - norio
5关于
bool：在算术运算中，布尔值会被视为 1 和 0。请参阅 Python 标准库文档中的“布尔值”部分。请注意，NumPy 的 bool 类型和 Python 的 bool 类型不同，但是它们是兼容的（更多信息请参见此处）。 - David Alber1@norio 关于 NumPy v1.5.1 中没有
numpy.count_nonzero 的问题：你说得对。根据这个发布公告，它是在 NumPy v1.6.0 中添加的。 - David Alber31就我个人的Python解释器而言，
numpy.count_nonzero 至少比 sum 快了一千倍。以下是两种方法的代码及其性能测试结果：
使用 numpy.count_nonzero ： import numpy as np
bools = np.random.uniform(size=1000) >= 0.5
np.count_nonzero(bools)使用 sum ： import numpy as np
bools = np.random.uniform(size=1000) >= 0.5
sum(bools)其中，性能测试代码如下：python -m timeit -s "import numpy as np; bools = np.random.uniform(size=1000) >= 0.5" "np.count_nonzero(bools)"
python -m timeit -s "import numpy as np; bools = np.random.uniform(size=1000) >= 0.5" "sum(bools)" - chbrown10@chbrown 你是对的。但是你应该与
np.sum(bools) 进行比较！然而，np.count_nonzero(bools) 仍然要快大约12倍。 - mab显示剩余4条评论
33
这个问题解决了我一个非常相似的问题，我认为应该分享一下:
在原生的 Python 中，你可以使用 sum() 统计 list 中 True 的值：
>>> sum([True,True,True,False,False])
3
但这样做是行不通的：
>>> sum([[False, False, True], [True, False, True]])
TypeError...
- Guillaume Gendre
3
2你应该先“展平”数组。不幸的是，没有内置方法，请参见https://dev59.com/THI95IYBdhLWcg3wyBCc。 - tommy chheng
2谢谢Guillaume！也适用于Pandas数据框。 - JJFord3
Pandas DataFrame和numpy数组的原始内置
sum比它们各自的sum方法慢得多。 - Elias Hasle5
在比较两个numpy数组并计算匹配数（例如机器学习中的正确类别预测）方面，我发现下面的两个维度的示例很有用：
import numpy as np
result = np.random.randint(3,size=(5,2)) # 5x2 random integer array
target = np.random.randint(3,size=(5,2)) # 5x2 random integer array
res = np.equal(result,target)
print result
print target
print np.sum(res[:,0])
print np.sum(res[:,1])
这可以扩展到D维。
结果如下:
预测:
[[1 2]
[2 0]
[2 0]
[1 2]
[1 2]]
目标：
[[0 1]
[1 0]
[2 0]
[0 0]
[2 1]]
D=1时正确预测的数量为：1
D=2时正确预测的数量为：2
- salehinejad
2
b[b].size
其中 b 是需要处理的布尔值 ndarray。它会将 b 过滤为 True，然后计算过滤后数组的长度。
这种方法可能不如之前提到过的 np.count_nonzero() 效率高，但如果你忘记了其他语法，它仍然很有用。此外，这种更短的语法可以节省程序员的时间。
示例：
In [1]: a = np.array([0,1,3])
In [2]: a
Out[2]: array([0, 1, 3])
In [3]: a[a>=1].size
Out[3]: 2
In [5]: b=a>=1
In [6]: b
Out[6]: array([False, True, True])
In [7]: b[b].size
Out[7]: 2
- flow2k
0
对于一维数组，这是我使用的方法：
import numpy as np
numbers= np.array([3, 1, 5, 2, 5, 1, 1, 5, 1, 4, 2, 1, 4, 5, 3, 4,
5, 2, 4, 2, 6, 6, 3, 6, 2, 3, 5, 6, 5])
numbersGreaterThan2= np.count_nonzero(numbers> 2)
- jose pablo solano
0
boolarr.sum(axis=1 or axis=0)
axis = 1 将输出一行中 True 的数量，而 axis = 0 将计算列中 True 的数量。
boolarr[[true,true,true],[false,false,true]]
print(boolarr.sum(axis=1))
将会是 (3,1)
- Roohullah Kazmi
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