[英]How to exclude few ranges from numpy array at once?
說,有一個以下 numpy 數組:
X = numpy.array([1, 1, 1, 2, 2, 2, 3, 3, 3, 4, 4, 4, 5, 5, 5])
現在,如何一次從數組X
范圍X[0:2]
、 X[6:8]
和X[12:14]
中排除,所以會得到結果X= [2, 2, 2, 4, 4, 4]
?
您可以使用np.r_
將范圍組合成一維數組:
In [18]: np.r_[0:2,6:8,12:14]
Out[18]: array([ 0, 1, 6, 7, 12, 13])
然后使用np.in1d
創建一個在這些索引位置為 True 的布爾數組:
In [19]: np.in1d(np.arange(len(X)), (np.r_[0:2,6:8,12:14]))
Out[19]:
array([ True, True, False, False, False, False, True, True, False,
False, False, False, True, True, False], dtype=bool)
然后使用~
反轉布爾數組:
In [11]: X = np.array([1, 1, 1, 2, 2, 2, 3, 3, 3, 4, 4, 4, 5, 5, 5])
In [12]: X[~np.in1d(np.arange(len(X)), (np.r_[0:2,6:8,12:14]))]
Out[12]: array([1, 2, 2, 2, 3, 4, 4, 4, 5])
請注意, X[12:14]
僅捕獲前兩個 5。 剩下一個 5,所以結果是array([1, 2, 2, 2, 3, 4, 4, 4, 5])
,而不是array([1, 2, 2, 2, 3, 4, 4, 4])
。
Python 中的切片范圍是半開區間。 包括左索引,但不包括右索引。 所以X[12:14]
選擇X[12]
和X[13]
,而不是X[14]
。 請參閱這篇文章,了解 Guido van Rossum 對 Python 為何使用半開區間的解釋。
要獲得結果[2, 2, 2, 4, 4, 4]
您需要為每個切片的右側(結束)索引添加一個:
In [17]: X[~np.in1d(np.arange(len(X)), (np.r_[0:3,6:9,12:15]))]
Out[17]: array([2, 2, 2, 4, 4, 4])
你可以使用這樣的東西:
numbers = [1, 1, 1, 2, 2, 2, 3, 3, 3, 4, 4, 4, 5, 5, 5]
exclude = set(range(0,2) + range(6,8) + range(12,14))
[n for n in numbers if n not in exclude]
或者:
[i for i in nums if i not in xrange(0,2) and i not in xrange(6,8) and i not in xrange(12,14)]
結果:
[2, 2, 2, 3, 3, 3, 4, 4, 4, 5, 5, 5]
在對@unutbu
的回答的評論中,我建議使用np.delete
。 這里有幾個時間
更大的測試數組:
In [445]: A=np.arange(1000)
@unutbu 的回答:
In [446]: timeit A[~np.in1d(np.arange(len(A)), (np.r_[10:50:3,100:200,300:350]))].shape
1000 loops, best of 3: 454 µs per loop
相同的索引列表,但使用np.delete
- 大約 3 倍加速
In [447]: timeit np.delete(A,np.r_[10:50:3,100:200,300:350]).shape
10000 loops, best of 3: 166 µs per loop
但是做一個直接的布爾掩碼甚至更快。 早些時候我推斷np.delete
基本上是這樣做的,但它必須有一些額外的開銷(包括處理多個維度的能力):
In [448]: %%timeit
ind=np.ones_like(A,bool)
ind[np.r_[10:50:3,100:200,300:350]]=False
A[ind].shape
.....:
10000 loops, best of 3: 71.5 µs per loop
當輸入是切片時, np.delete
有不同的策略,這可能np.delete
索引更快。 但它一次只處理一個切片,因此@Kasramvd 顯示了嵌套刪除。 我打算添加那個時間。
連接多個切片是另一種選擇。
np.r_
也涉及一個循環,但它只是在切片上。 基本上它遍歷切片,將每個切片擴展為一個范圍,並將它們連接起來。 在我最快的情況下,它負責 2/3 的運行時間:
In [451]: timeit np.r_[10:50:3,100:200,300:350]
10000 loops, best of 3: 41 µs per loop
In [453]: %%timeit x=np.r_[10:50:3,100:200,300:350]
ind=np.ones_like(A,bool)
ind[x]=False
A[ind].shape
.....:
10000 loops, best of 3: 24.2 µs per loop
嵌套刪除具有相當好的性能:
In [457]: timeit np.delete( np.delete( np.delete(A,slice(300,350)),
slice(100,200)),slice(10,50,3)).shape
10000 loops, best of 3: 108 µs per loop
np.delete
,當給定要刪除的切片時,將切片復制到結果數組(刪除塊之前和之后的塊)。 我可以通過連接幾個切片來近似。 我在這里通過對第一個塊使用刪除來作弊,而不是花時間寫一個純副本。 它仍然比最好的布爾掩碼表達式要快。
In [460]: timeit np.concatenate([np.delete(A[:100],slice(10,50,3)),
A[200:300],A[350:]]).shape
10000 loops, best of 3: 65.7 µs per loop
我可以使用此切片delete
,盡管 10:50 范圍的順序混亂了。 我懷疑這是理論上最快的:
In [480]: timeit np.concatenate([A[:10], A[11:50:3], A[12:50:3],
A[50:100], A[200:300], A[350:]]).shape
100000 loops, best of 3: 16.1 µs per loop
一個重要的警告 - 這些替代品正在使用非重疊切片進行測試。 有些可能會重疊,有些可能不會。
只需根據您要保留的間隔組合 X..
X = np.array(list(X[3:6]) + list(X[9:12]))
您可以調用np.delete
3 次,因為@nneonneo 在評論中說它反向操作,不需要計算范圍偏移。 :
>>> np.delete(np.delete(np.delete(X,np.s_[12:14]),np.s_[6:8]),np.s_[0:2])
array([1, 2, 2, 2, 3, 4, 4, 4, 5])
不確定這是否有幫助,但如果每個范圍的輸出都是唯一的,您可以按范圍計數進行索引。
X = numpy.array([1, 1, 1, 2, 2, 2, 3, 3, 3, 4, 4, 4, 5, 5, 5])
A = np.unique(X)
Out[79]: array([1, 2, 3, 4, 5])
在這里,我們希望保持第二和第四范圍。
X = X[(X==A[1])|(X==A[3])]
Out[82]: array([2, 2, 2, 4, 4, 4])
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.