Numpy: проверка наличия элемента в многомерном массиве в кортеже

Question

Numpy: проверка наличия элемента в многомерном массиве в кортеже

Похоже, я все еще борюсь соператором "in" в numpy . Вот такая ситуация:

>>> a = np.random.randint(1, 10, (2, 2, 3))

>>> a

array([[[9, 8, 8],

        [4, 9, 1]],



       [[6, 6, 3],

        [9, 3, 5]]])

Я хотел бы получить индексы тех триплетов, второй элемент которых находится в (6, 8). Способ, который я интуитивно попробовал, таков:

>>> a[:, :, 1] in (6, 8)

ValueError: The truth value of an array with more than one element...

Моей конечной целью было бы вставить в эти позиции число, предшествующее числу, умноженному на два. используя приведенный выше пример, a должно стать:

array([[[9, 18, 8],   #8 @ pos #2 --> replaced by 9 @ pos #1 by 2

        [4, 9, 1]],



       [[6, 12, 3],   #6 @ pos #2 --> replaced by 6 @ pos #1 by 2

        [9, 3, 5]]])

Заранее благодарю вас за совет и время!

683 4

python numpy python-2.7

4 ответов:

Comments

Ничего не найдено.

unutbu · Accepted Answer · 2017-05-23 13:28:30

import numpy as np
a = np.array([[[9, 8, 8],
               [4, 9, 1]],

              [[6, 6, 3],
               [9, 3, 5]]])

ind=(a[:,:,1]<=8) & (a[:,:,1]>=6)
a[ind,1]=a[ind,0]*2
print(a)
Выходы
[[[ 9 18  8]
  [ 4  9  1]]

 [[ 6 12  3]
  [ 9  3  5]]]
Если вы хотите проверить принадлежность к набору, который не является простым диапазоном, то мне нравится как идея mac использования цикла Python, так и идея bellamyj использования np. in1d. который быстрее зависит от размера check_tuple:

Test.py:
import numpy as np
np.random.seed(1)

N = 10
a = np.random.randint(1, 1000, (2, 2, 3))
check_tuple = np.random.randint(1, 1000, N)

def using_in1d(a):
    idx = np.in1d(a[:,:,1], check_tuple)
    idx=idx.reshape(a[:,:,1].shape)
    a[idx,1] = a[idx,0] * 2
    return a

def using_in(a):
    idx = np.zeros(a[:,:,0].shape,dtype=bool)
    for n in check_tuple:
        idx |= a[:,:,1]==n
    a[idx,1] = a[idx,0]*2
    return a

assert np.allclose(using_in1d(a),using_in(a))    
Когда N = 10, using_in немного быстрее:
% python -m timeit -s'import test' 'test.using_in1d(test.a)'
10000 loops, best of 3: 156 usec per loop
% python -m timeit -s'import test' 'test.using_in(test.a)'
10000 loops, best of 3: 143 usec per loop
Когда N = 100, using_in1d намного быстрее:
% python -m timeit -s'import test' 'test.using_in1d(test.a)'
10000 loops, best of 3: 171 usec per loop
% python -m timeit -s'import test' 'test.using_in(test.a)'
1000 loops, best of 3: 1.15 msec per loop

joshayers · Accepted Answer · 2011-11-06 02:55:09

Вот метод, который будет работать для кортежа произвольной длины. Он использует функцию numpy.in1d.
import numpy as np
np.random.seed(1)

a = np.random.randint(1, 10, (2, 2, 3))
print(a)

check_tuple = (6, 9, 1)

bool_array = np.in1d(a[:,:,1], check_tuple)
ind = np.where(bool_array)[0]
a0 = a[:,:,0].reshape((len(bool_array), ))
a1 = a[:,:,1].reshape((len(bool_array), ))
a1[ind] = a0[ind] * 2

print(a)
И вывод:
[[[6 9 6]
  [1 1 2]]

 [[8 7 3]
  [5 6 3]]]

[[[ 6 12  6]
  [ 1  2  2]]

 [[ 8  7  3]
  [ 5 10  3]]]

VolkerH · Accepted Answer · 2015-01-21 18:07:00

Есть еще один метод, основанный на использовании таблицы подстановки, который я узнал от одного из разработчиков Cellprofiler. Сначала вам нужно создать таблицу поиска (LUT), которая имеет размер наибольшего числа в вашем массиве. Для каждого возможного значения массива LUT имеет либо истинное, либо ложное значение. Пример:
# create a large volume image with random numbers
a = np.random.randint(1, 1000, (50, 1000 , 1000))
labels_to_find=np.unique(np.random.randint(1,1000,500))

# create filter mask LUT 
def find_mask_LUT(inputarr, obs):
    keep = np.zeros(np.max(inputarr)+1, bool)
    keep[np.array(obs)] = True
    return keep[inputarr]

# This will return a mask that is the 
# same shape as a, with True is a is one of the 
# labels we look for, False otherwise
find_mask_LUT(a, labels_to_find)
Это работает очень быстро (намного быстрее, чем np. in1d, и скорость не зависит от количества объектов.)

mac · Accepted Answer · 2017-05-23 14:59:41

Вдохновленный Ответ unutbu я нашел это возможное решение:
>>> l = (8, 6)
>>> idx = np.zeros((2, 2), dtype=bool)
>>> for n in l:
...     idx |= a[:,:,1] == n
>>> idx
array([[ True, False],
       [ True, False]], dtype=bool)
>>> a[idx]
array([[9, 8, 8],
       [6, 6, 3]])
Однако для предварительного исследования необходимо знать размеры массива.