- c - 在位数组中找到第一个零
- linux - Unix 显示有关匹配两种模式之一的文件的信息
- 正则表达式替换多个文件
- linux - 隐藏来自 xtrace 的命令
对于给定的二维数据数组,如何检索粗体中的 7 和 11 的位置(索引)。因为只有它们才是邻居中被同值包围的元素
import numpy as np
data = np.array([
[0,1,2,3,4,7,6,7,8,9,10],
[3,3,3,4,7,7,7,8,11,12,11],
[3,3,3,5,7,**7**,7,9,11,11,11],
[3,4,3,6,7,7,7,10,11,**11**,11],
[4,5,6,7,7,9,10,11,11,11,11]
])
print data
最佳答案
使用 scipy,您可以将这样的点表征为其邻域的最大值和最小值:
import numpy as np
import scipy.ndimage.filters as filters
def using_filters(data):
return np.where(np.logical_and.reduce(
[data == f(data, footprint=np.ones((3,3)), mode='constant', cval=np.inf)
for f in (filters.maximum_filter, filters.minimum_filter)]))
using_filters(data)
# (array([2, 3]), array([5, 9]))
仅使用 numpy,您可以将 data
与自身的 8 个移位切片进行比较,以找到相等的点:
def using_eight_shifts(data):
h, w = data.shape
data2 = np.empty((h+2, w+2))
data2[(0,-1),:] = np.nan
data2[:,(0,-1)] = np.nan
data2[1:1+h,1:1+w] = data
result = np.where(np.logical_and.reduce([
(data2[i:i+h,j:j+w] == data)
for i in range(3)
for j in range(3)
if not (i==1 and j==1)]))
return result
正如您在上面看到的,此策略生成了一个扩展数组,该数组在数据周围有一个 NaN 边界。这允许将移位的切片表示为 data2[i:i+h,j:j+w]
。
如果您知道要与邻居进行比较,您可能需要从一开始就定义带有 NaN 边界的 data
,这样您就不必创建第二个数组如上所述。
使用八次移位(和比较)比遍历 data
中的每个单元格并将其与相邻单元格进行比较要快得多:
def using_quadratic_loop(data):
return np.array([[i,j]
for i in range(1,np.shape(data)[0]-1)
for j in range(1,np.shape(data)[1]-1)
if np.all(data[i-1:i+2,j-1:j+2]==data[i,j])]).T
这是一个基准:
using_filters : 0.130
using_eight_shifts : 0.340
using_quadratic_loop : 18.794
这是用于生成基准的代码:
import timeit
import operator
import numpy as np
import scipy.ndimage.filters as filters
import matplotlib.pyplot as plt
data = np.array([
[0,1,2,3,4,7,6,7,8,9,10],
[3,3,3,4,7,7,7,8,11,12,11],
[3,3,3,5,7,7,7,9,11,11,11],
[3,4,3,6,7,7,7,10,11,11,11],
[4,5,6,7,7,9,10,11,11,11,11]
])
data = np.tile(data, (50,50))
def using_filters(data):
return np.where(np.logical_and.reduce(
[data == f(data, footprint=np.ones((3,3)), mode='constant', cval=np.inf)
for f in (filters.maximum_filter, filters.minimum_filter)]))
def using_eight_shifts(data):
h, w = data.shape
data2 = np.empty((h+2, w+2))
data2[(0,-1),:] = np.nan
data2[:,(0,-1)] = np.nan
data2[1:1+h,1:1+w] = data
result = np.where(np.logical_and.reduce([
(data2[i:i+h,j:j+w] == data)
for i in range(3)
for j in range(3)
if not (i==1 and j==1)]))
return result
def using_quadratic_loop(data):
return np.array([[i,j]
for i in range(1,np.shape(data)[0]-1)
for j in range(1,np.shape(data)[1]-1)
if np.all(data[i-1:i+2,j-1:j+2]==data[i,j])]).T
np.testing.assert_equal(using_quadratic_loop(data), using_filters(data))
np.testing.assert_equal(using_eight_shifts(data), using_filters(data))
timing = dict()
for f in ('using_filters', 'using_eight_shifts', 'using_quadratic_loop'):
timing[f] = timeit.timeit('{f}(data)'.format(f=f),
'from __main__ import data, {f}'.format(f=f),
number=10)
for f, t in sorted(timing.items(), key=operator.itemgetter(1)):
print('{f:25}: {t:.3f}'.format(f=f, t=t))
关于python - 通过在 numpy 中设置一些条件来检索元素的位置,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/23025497/
作为脚本的输出,我有 numpy masked array和标准numpy array .如何在运行脚本时轻松检查数组是否为掩码(具有 data 、 mask 属性)? 最佳答案 您可以通过 isin
我的问题 假设我有 a = np.array([ np.array([1,2]), np.array([3,4]), np.array([5,6]), np.array([7,8]), np.arra
numpy 是否有用于矩阵模幂运算的内置实现? (正如 user2357112 所指出的,我实际上是在寻找元素明智的模块化减少) 对常规数字进行模幂运算的一种方法是使用平方求幂 (https://en
我已经在 Numpy 中实现了这个梯度下降: def gradientDescent(X, y, theta, alpha, iterations): m = len(y) for i
我有一个使用 Numpy 在 CentOS7 上运行的项目。 问题是安装此依赖项需要花费大量时间。 因此,我尝试 yum install pip install 之前的 numpy 库它。 所以我跑:
处理我想要旋转的数据。请注意,我仅限于 numpy,无法使用 pandas。原始数据如下所示: data = [ [ 1, a, [, ] ], [ 1, b, [, ] ], [ 2,
numpy.random.seed(7) 在不同的机器学习和数据分析教程中,我看到这个种子集有不同的数字。选择特定的种子编号真的有区别吗?或者任何数字都可以吗?选择种子数的目标是相同实验的可重复性。
我需要读取存储在内存映射文件中的巨大 numpy 数组的部分内容,处理数据并对数组的另一部分重复。整个 numpy 数组占用大约 50 GB,我的机器有 8 GB RAM。 我最初使用 numpy.m
处理我想要旋转的数据。请注意,我仅限于 numpy,无法使用 pandas。原始数据如下所示: data = [ [ 1, a, [, ] ], [ 1, b, [, ] ], [ 2,
似乎 numpy.empty() 可以做的任何事情都可以使用 numpy.ndarray() 轻松完成,例如: >>> np.empty(shape=(2, 2), dtype=np.dtype('d
我在大型 numpy 数组中有许多不同的形式,我想使用 numpy 和 scipy 计算它们之间的边到边欧氏距离。 注意:我进行了搜索,这与堆栈中之前的其他问题不同,因为我想获得数组中标记 block
我有一个大小为 (2x3) 的 numpy 对象数组。我们称之为M1。在M1中有6个numpy数组。M1 给定行中的数组形状相同,但与 M1 任何其他行中的数组形状不同。 也就是说, M1 = [ [
如何使用爱因斯坦表示法编写以下点积? import numpy as np LHS = np.ones((5,20,2)) RHS = np.ones((20,2)) np.sum([ np.
假设我有 np.array of a = [0, 1, 1, 0, 0, 1] 和 b = [1, 1, 0, 0, 0, 1] 我想要一个新矩阵 c 使得如果 a[i] = 0 和 b[i] = 0
我有一个形状为 (32,5) 的 numpy 数组 batch。批处理的每个元素都包含一个 numpy 数组 batch_elem = [s,_,_,_,_] 其中 s = [img,val1,val
尝试为基于文本的多标签分类问题训练单层神经网络。 model= Sequential() model.add(Dense(20, input_dim=400, kernel_initializer='
首先是一个简单的例子 import numpy as np a = np.ones((2,2)) b = 2*np.ones((2,2)) c = 3*np.ones((2,2)) d = 4*np.
我正在尝试平均二维 numpy 数组。所以,我使用了 numpy.mean 但结果是空数组。 import numpy as np ws1 = np.array(ws1) ws1_I8 = np.ar
import numpy as np x = np.array([[1,2 ,3], [9,8,7]]) y = np.array([[2,1 ,0], [1,0,2]]) x[y] 预期输出: ar
我有两个数组 A (4000,4000),其中只有对角线填充了数据,而 B (4000,5) 填充了数据。有没有比 numpy.dot(a,b) 函数更快的方法来乘(点)这些数组? 到目前为止,我发现
我是一名优秀的程序员,十分优秀!