NumPy행렬의 행당 특정 열을 선택하는 데 어려움을 겪고 있습니다.
다음과 같은 행렬이 있다고 가정합니다 X.
[1, 2, 3]
[4, 5, 6]
[7, 8, 9]
또한 list호출 할 모든 행마다 열 인덱스가 있습니다 Y.
[1, 0, 2]
값을 가져와야합니다.
[2]
[4]
[9]
listwith indexes 대신에 모든 열이 0-1 값 범위에서 / 인 Y것과 동일한 모양의 행렬을 생성하여 이것이 필수 열인지 여부를 나타낼 수도 있습니다.Xboolint
[0, 1, 0]
[1, 0, 0]
[0, 0, 1]
배열을 반복하고 필요한 열 값을 선택하면이 작업을 수행 할 수 있습니다. 그러나 이것은 대규모 데이터 배열에서 자주 실행되므로 가능한 한 빨리 실행해야합니다.
따라서 더 나은 해결책이 있는지 궁금합니다.
감사합니다.
답변:
부울 배열이있는 경우이를 기반으로 직접 선택할 수 있습니다.
>>> a = np.array([True, True, True, False, False])
>>> b = np.array([1,2,3,4,5])
>>> b[a]
array([1, 2, 3])
초기 예제와 함께 진행하려면 다음을 수행 할 수 있습니다.
>>> a = np.array([[1,2,3], [4,5,6], [7,8,9]])
>>> b = np.array([[False,True,False],[True,False,False],[False,False,True]])
>>> a[b]
array([2, 4, 9])
arange부울 배열을 생성하는 방법과 코드가 YMMV처럼 보이는 방식에 따라을 추가 하고 직접 선택할 수도 있습니다 .
>>> a = np.array([[1,2,3], [4,5,6], [7,8,9]])
>>> a[np.arange(len(a)), [1,0,2]]
array([2, 4, 9])
도움이 되었기를 바라며 더 궁금한 점이 있으면 알려주세요.
arange. 이것은 여러 행렬에서 다른 블록을 검색하는 데 특히 유용했습니다 (기본적으로이 예제의 3D 경우)
arange대신 사용해야하는지 설명해 주 :시겠습니까? 나는 당신의 방식이 작동하고 내 방식은 그렇지 않다는 것을 알고 있지만 그 이유를 이해하고 싶습니다.
:구문이 같은 방식으로 작동하지 않습니다.
:고급 인덱싱과의 혼합 은 "모든 하위 공간에 :대해 주어진 고급 인덱싱을 적용 "한다는 의미 입니다. 내 이해가 맞습니까?
다음과 같이 할 수 있습니다.
In [7]: a = np.array([[1, 2, 3],
...: [4, 5, 6],
...: [7, 8, 9]])
In [8]: lst = [1, 0, 2]
In [9]: a[np.arange(len(a)), lst]
Out[9]: array([2, 4, 9])
다차원 배열 색인화에 대한 추가 정보 : http://docs.scipy.org/doc/numpy/user/basics.indexing.html#indexing-multi-dimensional-arrays
:은 결과를 여러 len(a)번 출력하는 대신 각 행의 인덱스가 예상 결과를 인쇄 함을 나타냅니다.
간단한 방법은 다음과 같습니다.
In [1]: a = np.array([[1, 2, 3],
...: [4, 5, 6],
...: [7, 8, 9]])
In [2]: y = [1, 0, 2] #list of indices we want to select from matrix 'a'
range(a.shape[0]) 돌아올 것이다 array([0, 1, 2])
In [3]: a[range(a.shape[0]), y] #we're selecting y indices from every row
Out[3]: array([2, 4, 9])
최신 numpy버전에는 이 색인을 깔끔하게 수행 하는 take_along_axis(및 put_along_axis) 이 추가되었습니다 .
In [101]: a = np.arange(1,10).reshape(3,3)
In [102]: b = np.array([1,0,2])
In [103]: np.take_along_axis(a, b[:,None], axis=1)
Out[103]:
array([[2],
[4],
[9]])
다음과 같은 방식으로 작동합니다.
In [104]: a[np.arange(3), b]
Out[104]: array([2, 4, 9])
하지만 축 처리가 다릅니다. 특히 argsort및 의 결과를 적용하는 데 목적이 argmax있습니다.
반복자를 사용하여 할 수 있습니다. 이렇게 :
np.fromiter((row[index] for row, index in zip(X, Y)), dtype=int)
시각:
N = 1000
X = np.zeros(shape=(N, N))
Y = np.arange(N)
#@Aशwini चhaudhary
%timeit X[np.arange(len(X)), Y]
10000 loops, best of 3: 30.7 us per loop
#mine
%timeit np.fromiter((row[index] for row, index in zip(X, Y)), dtype=int)
1000 loops, best of 3: 1.15 ms per loop
#mine
%timeit np.diag(X.T[Y])
10 loops, best of 3: 20.8 ms per loop
np.diag(X.T[Y])너무 느립니다 ...하지만 np.diag(X.T)너무 빠릅니다 (10us). 이유를 모르겠습니다.
또 다른 영리한 방법은 먼저 배열을 전치하고 그 후에 색인을 생성하는 것입니다. 마지막으로, 항상 정답 인 대각선을 취하십시오.
X = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]])
Y = np.array([1, 0, 2, 2])
np.diag(X.T[Y])
단계별 :
원래 배열 :
>>> X
array([[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
[10, 11, 12]])
>>> Y
array([1, 0, 2, 2])
올바른 색인을 생성 할 수 있도록 조옮김합니다.
>>> X.T
array([[ 1, 4, 7, 10],
[ 2, 5, 8, 11],
[ 3, 6, 9, 12]])
Y 순서로 행을 가져옵니다.
>>> X.T[Y]
array([[ 2, 5, 8, 11],
[ 1, 4, 7, 10],
[ 3, 6, 9, 12],
[ 3, 6, 9, 12]])
이제 대각선이 명확 해집니다.
>>> np.diag(X.T[Y])
array([ 2, 4, 9, 12]