python - 用索引从数组中填充 1D numpy 数组

Question

背景

我有一个用零初始化的一维 NumPy 数组。

import numpy as np
section = np.zeros(1000)

然后我有一个 Pandas DataFrame，其中有两列索引:

d= {'start': {0: 7200, 1: 7500, 2: 7560, 3: 8100, 4: 11400},
    'end': {0: 10800, 1: 8100, 2: 8100, 3: 8150, 4: 12000}}

df = pd.DataFrame(data=d, columns=['start', 'end'])

对于每一对索引，我想将 numpy 数组中相应索引的值设置为 True。

我目前的解决方案

我可以通过对 DataFrame 应用一个函数来做到这一点:

def fill_array(row):
    section[row.start:row.end] = True

df.apply(fill_array, axis=1)

我想向量化这个操作

这如我所料，但为了好玩，我想对操作进行向量化。我对此不是很精通，我的在线搜索也没有让我走上正轨。

如果可能的话，我将非常感谢任何关于如何将其变成向量操作的建议。

Answer 1

实现要遵循的技巧是，我们将 1s 放在每个开始点，-1s 放在零初始化的 int 数组的每个结束点。接下来是真正的技巧，因为我们会对其进行累加求和，从而为 bin(开始 - 停止对)边界所覆盖的位置提供非零数字。因此，最后一步是为最终输出寻找非零值作为 bool 数组。因此，我们将有两个矢量化解决方案，其实现如下所示 -

def filled_array(start, end, length):
    out = np.zeros((length), dtype=int)
    np.add.at(out,start,1)
    np.add.at(out,end,-1)
    return out.cumsum()>0

def filled_array_v2(start, end, length): #Using @Daniel's suggestion
    out =np.bincount(start, minlength=length) - np.bincount(end, minlength=length)
    return out.cumsum().astype(bool)

sample 运行-

In [2]: start
Out[2]: array([ 4,  7,  5, 15])

In [3]: end
Out[3]: array([12, 12,  7, 17])

In [4]: out = filled_array(start, end, length=20)

In [7]: pd.DataFrame(out) # print as dataframe for easy verification
Out[7]: 
        0
0   False
1   False
2   False
3   False
4    True
5    True
6    True
7    True
8    True
9    True
10   True
11   True
12  False
13  False
14  False
15   True
16   True
17  False
18  False
19  False