[英]Deleting diagonal elements of a numpy array
給定輸入
A = np.array([[1,2,3],[4,5,6],[7,8,9]])
array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
需要輸出:
array([[2, 3],
[4, 6],
[7, 8]])
使用迭代或循環很容易做到這一點,但應該有一種不使用循環的簡潔方法來做到這一點。 謝謝
方法#1
一種masking
方法 -
A[~np.eye(A.shape[0],dtype=bool)].reshape(A.shape[0],-1)
樣品運行 -
In [395]: A
Out[395]:
array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
In [396]: A[~np.eye(A.shape[0],dtype=bool)].reshape(A.shape[0],-1)
Out[396]:
array([[2, 3],
[4, 6],
[7, 8]])
方法#2
使用非對角元素的規則模式,可以通過范圍數組的廣播添加進行跟蹤 -
m = A.shape[0]
idx = (np.arange(1,m+1) + (m+1)*np.arange(m-1)[:,None]).reshape(m,-1)
out = A.ravel()[idx]
方法#3 (Strides Strikes!)
濫用先前方法中非對角元素的常規模式,我們可以引入np.lib.stride_tricks.as_strided
和一些slicing
幫助,如下所示 -
m = A.shape[0]
strided = np.lib.stride_tricks.as_strided
s0,s1 = A.strides
out = strided(A.ravel()[1:], shape=(m-1,m), strides=(s0+s1,s1)).reshape(m,-1)
運行時測試
作為 funcs 的方法:
def skip_diag_masking(A):
return A[~np.eye(A.shape[0],dtype=bool)].reshape(A.shape[0],-1)
def skip_diag_broadcasting(A):
m = A.shape[0]
idx = (np.arange(1,m+1) + (m+1)*np.arange(m-1)[:,None]).reshape(m,-1)
return A.ravel()[idx]
def skip_diag_strided(A):
m = A.shape[0]
strided = np.lib.stride_tricks.as_strided
s0,s1 = A.strides
return strided(A.ravel()[1:], shape=(m-1,m), strides=(s0+s1,s1)).reshape(m,-1)
時間——
In [528]: A = np.random.randint(11,99,(5000,5000))
In [529]: %timeit skip_diag_masking(A)
...: %timeit skip_diag_broadcasting(A)
...: %timeit skip_diag_strided(A)
...:
10 loops, best of 3: 56.1 ms per loop
10 loops, best of 3: 82.1 ms per loop
10 loops, best of 3: 32.6 ms per loop
就用 numpy,假設一個方陣:
new_A = numpy.delete(A,range(0,A.shape[0]**2,(A.shape[0]+1))).reshape(A.shape[0],(A.shape[1]-1))
我知道我參加這個聚會遲到了,但我認為這是一個更簡單的解決方案。 所以你想刪除對角線? 好酷:
`
arr = np.array([[1,2,3],[4,5,6],[7,8,9]]).astype(np.float)
np.fill_diagonal(arr, np.nan)
arr[~np.isnan(arr)].reshape(arr.shape[0], arr.shape[1] - 1)
解決步驟:
range(0, len(x_no_diag), len(x) + 1)
的對角線元素的位置功能:
import numpy as np
def remove_diag(x):
x_no_diag = np.ndarray.flatten(x)
x_no_diag = np.delete(x_no_diag, range(0, len(x_no_diag), len(x) + 1), 0)
x_no_diag = x_no_diag.reshape(len(x), len(x) - 1)
return x_no_diag
示例:
>>> x = np.random.randint(5, size=(3,3))
array([[0, 2, 3],
[3, 4, 1],
[2, 4, 0]])
>>> remove_diag(x)
array([[2, 3],
[3, 1],
[2, 4]])
如果您不介意創建一個新數組,那么您可以使用列表理解。
A = np.array([A[i][A[i] != A[i][i]] for i in range(len(A))])
重新運行與@Divakar 相同的方法,
A = np.random.randint(11,99,(5000,5000))
skip_diag_masking
85.7 ms ± 1.55 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
skip_diag_broadcasting
163 ms ± 1.77 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
skip_diag_strided
52.5 ms ± 2.54 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
skip_diag_list_comp
101 ms ± 347 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
也許最干凈的方法,基於Divakar 的第一個解決方案,但使用len(array)
而不是array.shape[0]
,是:
array_without_diagonal = array[~np.eye(len(array), dtype=bool)].reshape(len(array), -1)
我喜歡這里的所有答案,但我想添加一個,以防您的 numpy 對象具有超過 2 個維度。 在這種情況下,您可以使用 Divakar 方法 #1 的以下調整:
def remove_diag(A):
removed = A[~np.eye(A.shape[0], dtype=bool)].reshape(A.shape[0], int(A.shape[0])-1, -1)
return np.squeeze(removed)
另一種方法是使用 numpy.delete()。 假設方陣,你可以使用:
numpy.delete(A,range(0,A.shape[0]**2,A.shape[0])).reshape(A.shape[0],A.shape[1]-1)
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.