numpy矢量化方法來計算整數數組中的非零位

Question

我有一個整數數組：

[int1, int2, ..., intn]

我想計算這些整數的二進制表示中有多少非零位。

例如：

bin(123) -> 0b1111011, there are 6 non-zero bits

當然，我可以遍歷整數列表，使用bin()和count('1')函數，但我正在尋找矢量化的方法來做到這一點。

Answer 1

假設您的數組是a ，您可以簡單地執行以下操作：

np.unpackbits(a.view('uint8')).sum()

例子：

a = np.array([123, 44], dtype=np.uint8)
#bin(a) is [0b1111011, 0b101100]
np.unpackbits(a.view('uint8')).sum()
#9

---

使用benchit比較：

#@Ehsan's solution
def m1(a):
  return np.unpackbits(a.view('uint8')).sum()

#@Valdi_Bo's solution
def m2(a):
  return sum([ bin(n).count('1') for n in a ])

in_ = [np.random.randint(100000,size=(n)) for n in [10,100,1000,10000,100000]]

m1明顯更快。

Answer 2

似乎np.unpackbits 的運行速度比在源數組的每個元素上計算bin(n).count('1')的總和要慢。

由%timeit衡量的執行時間是：

• np.unpackbits(a.view('uint8')).sum()為8.35 µs ，
• sum([ bin(n).count('1') for n in a ]) 2.45 µs sum([ bin(n).count('1') for n in a ])快 3 倍以上）。

所以也許你應該堅持原來的概念。

Answer 3

由於 numpy 與 python 不同，整數大小有限，因此您可以將Óscar López提出的位旋轉解決方案調整為以正整數（最初來自此處）計算非零位的快速方法，以實現可移植的快速解決方案：

def bit_count(arr):
     # Make the values type-agnostic (as long as it's integers)
     t = arr.dtype.type
     mask = t(-1)
     s55 = t(0x5555555555555555 & mask)  # Add more digits for 128bit support
     s33 = t(0x3333333333333333 & mask)
     s0F = t(0x0F0F0F0F0F0F0F0F & mask)
     s01 = t(0x0101010101010101 & mask)

     arr = arr - ((arr >> 1) & s55)
     arr = (arr & s33) + ((arr >> 2) & s33)
     arr = (arr + (arr >> 4)) & s0F
     return (arr * s01) >> (8 * (arr.itemsize - 1))

該函數的第一部分將數量 0x5555...、0x3333... 等截斷為arr實際包含的整數類型。 其余部分只執行一組位處理操作。

對於 100000 個元素的數組，此函數比 Ehsan 的方法快約 4.5 倍，比 Valdi Bo 的方法快約 60 倍：

a = np.random.randint(0, 0xFFFFFFFF, size=100000, dtype=np.uint32)
%timeit bit_count(a).sum()
# 846 µs ± 16.5 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
%timeit m1(a)
# 3.81 ms ± 24 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
%timeit m2(a)
# 49.8 ms ± 97.5 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

m1和m2來自@Ehsan 的回答。

Answer 4

在 Forth 中，我使用了一個查找表來計算每個字節的位數。 我正在尋找是否有一個 numpy 函數來進行位計數並找到了這個答案。

256 字節查找比這里的兩種方法要快。 16 位（65536 字節查找）再次更快。 我的 32 位查找 4.3G 空間不足 :-)

這可能對找到此答案的其他人有用。 其他答案中的一個班輪打字要快得多。

import numpy as np

def make_n_bit_lookup( bits = 8 ):
    """ Creates a lookup table of bits per byte ( or per 2 bytes for bits = 16).
        returns a count function that uses the table generated.
    """
    try:
        dtype = { 8: np.uint8, 16: np.uint16 }[ bits ]
    except KeyError:
        raise ValueError( 'Parameter bits must be 8, 16.')

    bits_per_byte = np.zeros( 2**bits, dtype = np.uint8 )

    i = 1
    while i < 2**bits:
        bits_per_byte[ i: i*2 ] = bits_per_byte[ : i ] + 1
        i += i
        # Each power of two adds one bit set to the bit count in the 
        # corresponding index from zero.
        #  n       bits   ct  derived from   i
        #  0       0000   0                  
        #  1       0001   1 = bits[0] + 1    1
        #  2       0010   1 = bits[0] + 1    2
        #  3       0011   2 = bits[1] + 1    2
        #  4       0100   1 = bits[0] + 1    4
        #  5       0101   2 = bits[1] + 1    4
        #  6       0110   2 = bits[2] + 1    4
        #  7       0111   3 = bits[3] + 1    4
        #  8       1000   1 = bits[0] + 1    8
        #  9       1001   2 = bits[1] + 1    8
        #  etc...

    def count_bits_set( arr ):
        """ The function using the lookup table. """
        a = arr.view( dtype )
        return bits_per_byte[ a ].sum()

    return count_bits_set

count_bits_set8  = make_n_bit_lookup( 8 )
count_bits_set16 = make_n_bit_lookup( 16 )

# The two original answers as functions.
def text_count( arr ):
    return sum([ bin(n).count('1') for n in arr ])  

def unpack_count( arr ):
    return np.unpackbits(arr.view('uint8')).sum()   


np.random.seed( 1234 )

max64 = 2**64
arr = np.random.randint( max64, size = 100000, dtype = np.uint64 )

count_bits_set8( arr ), count_bits_set16( arr ), text_count( arr ), unpack_count( arr )                                             
# (3199885, 3199885, 3199885, 3199885) - All the same result

%timeit n_bits_set8( arr )                                                                                                          
# 3.63 ms ± 17.4 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

%timeit n_bits_set16( arr )                                                                                                         
# 1.78 ms ± 15.4 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

%timeit text_count( arr )                                                                                                           
# 83.9 ms ± 1.05 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

%timeit unpack_count( arr )                                                                                                         
# 8.73 ms ± 87.5 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)