[英]Numpy `logical_or` for more than two arguments
Numpy 的logical_or
函數最多需要兩個數組進行比較。 如何找到兩個以上數組的並集? (關於 Numpy 的logical_and
和獲得兩個以上數組的交集,可以提出同樣的問題。)
如果您要詢問numpy.logical_or
,那么不,正如文檔明確指出的那樣,唯一的參數是x1, x2
和可選out
:
numpy.
logical_or
(x1, x2[, out]
) =<ufunc 'logical_or'>
您當然可以將多個logical_or
調用鏈接在一起,如下所示:
>>> x = np.array([True, True, False, False])
>>> y = np.array([True, False, True, False])
>>> z = np.array([False, False, False, False])
>>> np.logical_or(np.logical_or(x, y), z)
array([ True, True, True, False], dtype=bool)
在 NumPy 中泛化這種鏈接的方法是使用reduce
:
>>> np.logical_or.reduce((x, y, z))
array([ True, True, True, False], dtype=bool)
當然,如果你有一個多維數組而不是單獨的數組,這也將起作用——事實上,這就是它的用途:
>>> xyz = np.array((x, y, z))
>>> xyz
array([[ True, True, False, False],
[ True, False, True, False],
[False, False, False, False]], dtype=bool)
>>> np.logical_or.reduce(xyz)
array([ True, True, True, False], dtype=bool)
但是三個等長一維數組的元組在NumPy術語中是一個類似數組的數組,可以用作二維數組。
在 NumPy 之外,您還可以使用 Python 的reduce
:
>>> functools.reduce(np.logical_or, (x, y, z))
array([ True, True, True, False], dtype=bool)
但是,與 NumPy 的reduce
不同,Python 並不經常需要。 對於大多數情況,有一種更簡單的方法來做事——例如,將多個 Python or
運算符鏈接在一起,不要通過operator.or_
進行reduce
,只需使用any
。 當沒有時,使用顯式循環通常更具可讀性。
事實上,NumPy 的any
也可以用於這種情況,盡管它不是那么簡單; 如果你沒有明確地給它一個軸,你最終會得到一個標量而不是一個數組。 所以:
>>> np.any((x, y, z), axis=0)
array([ True, True, True, False], dtype=bool)
如你所料, logical_and
是相似的——你可以鏈接它, np.reduce
它, functools.reduce
它,或者用一個明確的axis
替換all
。
其他操作呢,比如logical_xor
? 同樣,同樣的交易......除了在這種情況下沒有適用的all
/ any
類型的函數。 (你會怎么稱呼它? odd
?)
如果有人仍然需要這個 - 假設你有三個布爾數組a
, b
, c
具有相同的形狀,這給出and
元素方面的:
a * b * c
這給出or
:
a + b + c
這是你想要的嗎? 堆疊大量的logical_and
或logical_or
是不切實際的。
基於 abarnert 對 n 維案例的回答:
TL;DR: np.logical_or.reduce(np.array(list))
由於布爾代數在定義上既是交換的又是結合的,以下語句或等效於布爾值 a、b 和 c。
a or b or c
(a or b) or c
a or (b or c)
(b or a) or c
因此,如果您有一個二元的“logical_or”並且您需要向它傳遞三個參數(a、b 和 c),您可以調用
logical_or(logical_or(a, b), c)
logical_or(a, logical_or(b, c))
logical_or(c, logical_or(b, a))
或任何你喜歡的排列。
回到 python,如果你想測試一個條件(由一個接受被測試者並返回一個布爾值的函數test
產生)是否適用於 a 或 b 或 c 或列表 L 的任何元素,你通常使用
any(test(x) for x in L)
我使用這個可以擴展到 n 個數組的解決方法:
>>> a = np.array([False, True, False, False])
>>> b = np.array([True, False, False, False])
>>> c = np.array([False, False, False, True])
>>> d = (a + b + c > 0) # That's an "or" between multiple arrays
>>> d
array([ True, True, False, True], dtype=bool)
我嘗試了以下三種不同的方法來獲取大小為n的k個數組列表l的logical_and
:
numpy.logical_and
(見下文)numpy.logical_and.reduce(l)
numpy.vstack(l).all(axis=0)
然后我對logical_or
函數做了同樣的事情。 令人驚訝的是,遞歸方法是最快的一種。
import numpy
import perfplot
def and_recursive(*l):
if len(l) == 1:
return l[0].astype(bool)
elif len(l) == 2:
return numpy.logical_and(l[0],l[1])
elif len(l) > 2:
return and_recursive(and_recursive(*l[:2]),and_recursive(*l[2:]))
def or_recursive(*l):
if len(l) == 1:
return l[0].astype(bool)
elif len(l) == 2:
return numpy.logical_or(l[0],l[1])
elif len(l) > 2:
return or_recursive(or_recursive(*l[:2]),or_recursive(*l[2:]))
def and_reduce(*l):
return numpy.logical_and.reduce(l)
def or_reduce(*l):
return numpy.logical_or.reduce(l)
def and_stack(*l):
return numpy.vstack(l).all(axis=0)
def or_stack(*l):
return numpy.vstack(l).any(axis=0)
k = 10 # number of arrays to be combined
perfplot.plot(
setup=lambda n: [numpy.random.choice(a=[False, True], size=n) for j in range(k)],
kernels=[
lambda l: and_recursive(*l),
lambda l: and_reduce(*l),
lambda l: and_stack(*l),
lambda l: or_recursive(*l),
lambda l: or_reduce(*l),
lambda l: or_stack(*l),
],
labels = ['and_recursive', 'and_reduce', 'and_stack', 'or_recursive', 'or_reduce', 'or_stack'],
n_range=[2 ** j for j in range(20)],
logx=True,
logy=True,
xlabel="len(a)",
equality_check=None
)
下面是 k = 4 的性能。
下面是 k = 10 的表現。
似乎對於較高的 n 也存在近似恆定的時間開銷。
使用求和函數:
a = np.array([True, False, True])
b = array([ False, False, True])
c = np.vstack([a,b,b])
Out[172]:
array([[ True, False, True],
[False, False, True],
[False, False, True]], dtype=bool)
np.sum(c,axis=0)>0
Out[173]: array([ True, False, True], dtype=bool)
如果您想要一個簡短的(可能不是最佳的)函數來對多維布爾掩碼執行邏輯與,您可以使用這個遞歸 lambda 函數:
masks_and = lambda *masks : masks[0] if len(masks) == 1 else masks_and(np.logical_and(masks[0], masks[-1]), *masks[1:-1])
result = masks_and(mask1, mask2, ...)
假設順序也很重要,您還可以將 lambda 函數推廣到應用具有分配屬性(例如乘法/AND、sum/OR 等)的任何運算符(2 個參數的函數)到任何像這樣的對象:
fn2args_reduce = lambda fn2args, *args : args[0] if len(args) == 1 else fn2args_reduce(fn2args, fn2args(args[0], args[1]), *args[2:])
result = fn2args_reduce(np.dot, matrix1, matrix2, ... matrixN)
這給您與使用@
numpy 運算符相同的結果):
np.dot(...(np.dot(np.dot(matrix1, matrix2), matrix3)...), matrixN)
例如fn2args_reduce(lambda a,b: a+b, 1,2,3,4,5)
給你 15 - 這些數字的總和(當然你有一個更有效的sum
函數,但我喜歡它) .
N 個參數的函數的更通用模型可能如下所示:
fnNargs_reduce = lambda fnNargs, N, *args : args[0] if len(args) == 1 else fnNargs_reduce(fnNargs, N, fnNargs(*args[:N]), *args[N:])
fnNargs = lambda x1, x2, x3=neutral, ..., xN=neutral: x1 (?) x2 (?) ... (?) xN
中性意味着它是(?)運算符的中性元素,例如。 0 表示 +,1 表示 * 等。
為什么? 純娛樂 :-)
a = np.array([True, False, True])
b = np.array([False, False, True])
c = np.array([True, True, True])
d = np.array([True, True, True])
# logical or
lor = (a+b+c+d).astype(bool)
# logical and
land = (a*b*c*d).astype(bool)
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.