- android - 多次调用 OnPrimaryClipChangedListener
- android - 无法更新 RecyclerView 中的 TextView 字段
- android.database.CursorIndexOutOfBoundsException : Index 0 requested, 光标大小为 0
- android - 使用 AppCompat 时,我们是否需要明确指定其 UI 组件(Spinner、EditText)颜色
我创建了一个大的(比如 4000 X 4000)numpy 浮点矩阵。我正在按浮点值对矩阵的单元格进行排序,生成 (row,col,value)
元组列表。这是我的代码(简化):
def cells(matrix):
shape = np.shape(matrix)
for row in range(shape[0]):
for col in range(shape[1]):
yield (row, col, matrix[row,col])
# create a random matrix
matrix = np.random.randint(100, size=(4000,4000))
# sort the cells by value
sorted_cells = sorted(cells(matrix), key=lambda x: x[2])
我知道逐个单元格的产量效率很低,但我不知道如何使用纯 numpy 迭代矩阵的 (row, col, value)
元组? 也许这才是真正的问题!
我当前方法的问题是我的计算机在排序步骤中完全死机了。
如果我这样做,这不是问题:sorted(matrix.flatten())
它工作正常,实际上相当快,但是我没有得到行和列...
最佳答案
numpy.argsort是你的 friend 。它不是实际对给定的数组进行排序,而是返回一个整数索引数组,告诉您如何将数组重新排序为排序顺序。鉴于此,您可以对行值和列值应用相同的排序。
这是一些代码:首先我们生成一个矩阵;在这里,我使用了不同数量的行和列,以便我们可以轻松检查结果是否正确。
>>> import numpy as np
>>> matrix = np.random.randint(100, size=(4000, 5000))
>>> rows, cols = np.indices(matrix.shape)
现在使用 argsort
获取索引。
>>> reindex = np.argsort(matrix.flatten())
使用这些索引,我们可以恢复排序后的矩阵:
>>> matrix.flat[reindex]
array([ 0, 0, 0, ..., 99, 99, 99])
和还有相应的行和列。
>>> rows.flat[reindex]
array([2455, 2870, 1196, ..., 56, 56, 3618])
>>> cols.flat[reindex]
array([ 863, 1091, 4966, ..., 3959, 3887, 4833])
为了验证答案,让我们检查第一行列对确实对应于 0
的矩阵条目,最后一行列对对应于 99
:
>>> r = rows.flat[reindex]
>>> c = cols.flat[reindex]
>>> matrix[r[0], c[0]]
0
>>> matrix[r[-1], c[-1]]
99
编辑:正如 nye17 的回答所指出的,可以更直接地从 reindex
数组中恢复行和列。
>>> r, c = divmod(reindex, matrix.shape[1])
这一切都运行得非常快(排序步骤只需几秒钟)。我猜想您的原始代码锁定机器的原因是您生成的列表占用了很多内存;通过坚持使用 numpy 数组而不是列表和元组,您的内存开销会显着下降。
关于python - 对大 numpy 矩阵的单元格进行排序,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/11267011/
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!