python - 有效地查找 numpy 数组中具有特定条件的行

Question

我有两个 numpy 二维数组。我想要做的是在 np_sentence 中查找 np_weight 的特定行。

例如:

#rows are features, columns are clusters or whatever
np_weight = np.random.uniform(1.0,10.0,size=(7,4))
print(np_weight)

[[9.96859395 8.65543961 6.07429382 4.58735497]
 [3.21776471 8.33560037 2.11424961 8.89739975]
 [9.74560314 5.94640798 6.10318198 7.33056421]
 [6.60986206 2.36877835 3.06143215 7.82384351]
 [9.49702267 9.98664568 3.89140374 5.42108704]
 [1.93551346 8.45768507 8.60233715 8.09610975]
 [5.21892795 4.18786508 5.82665674 8.28397111]]

#rows are sentence index, columns are words on that sentence
np_sentence = np.random.randint(0.0,7.0,size=(5,3))
print(np_sentence)

[[2 5 1]
 [1 6 4]
 [0 0 0]
 [2 3 6]
 [4 2 4]]

如果我对每一列进行 np_weight 排序，然后获取其中的 top5，我将得到这个(这里我只显示第一列):

temp_sorted_result=
[9.96859395 ] --->index=0
[9.74560314 ] --→ index=2
[9.49702267 ] --→ index=4
[6.60986206 ] --->index=3
[5.21892795 ] --->index=6

现在，我想在第二个 numpy 数组 np_sentence 中两个两个地搜索这些索引，看看是否有包含两个索引的行。

例如，基于此它必须输出:1,3,4。这些是 np_sentence 的索引，其中包括 temp_sorted_result 中两个索引的组合。

例如，temp_sorted_result 中可用的4 和 6 位于 row= 中 np_sentence 的同一行1 等等。

我需要对 np_weight 的每一列执行此操作。由于行数非常大，因此拥有非常高效的代码对我来说非常重要

到目前为止我所做的只是在第二个数组中搜索一项，这不是我最终想要的:

一种方法是我形成每列的所有组合，例如对于上面显示的第一列 temp_sorted_result，我形成

(0,2) (0,4)(0,3) (0,6)
(2,4) (2,3) (2,6)
(4,3)(4,6)
(3,6)

然后检查np_sentence 行中可用的一个。基于我的 np_sentence 行索引 1,3,4 包含其中一些。

现在我的问题是如何以最有效的方式实现这一点？

如果不明显，请告诉我。

感谢您的帮助:)

Answer 1

这是一种方法:下面的函数 f 创建一个与 weight 形状相同的掩码(加上一个虚拟行 False)用 True 标记每列中的前五个条目。

然后，它使用 np_sentence 索引到掩码中，并对每个列、行对的 True 进行计数，并与阈值 2 进行比较。

唯一的复杂之处:我们必须抑制np_sentence行中的重复值。为此，我们对行进行排序，然后将等于其左邻居的每个索引定向到掩码中的虚拟行。

该函数返回一个掩码。脚本的最后一行演示了如何将该掩码转换为索引。

import numpy as np

def f(a1, a2, n_top, n_hit):
    N,M = a1.shape
    mask = np.zeros((N+1,M), dtype=bool)
    np.greater_equal(
        a1,a1[a1.argpartition(N-n_top, axis=0)[N-n_top], np.arange(M)],
        out=mask[:N])
    a2 = np.sort(a2, axis=1)
    a2[:,1:][a2[:,1:]==a2[:,:-1]] = N
    return np.count_nonzero(mask[a2], axis=1) >= n_hit

a1 = np.matrix("""[[9.96859395 8.65543961 6.07429382 4.58735497]
 [3.21776471 8.33560037 2.11424961 8.89739975]
 [9.74560314 5.94640798 6.10318198 7.33056421]
 [6.60986206 2.36877835 3.06143215 7.82384351]
 [9.49702267 9.98664568 3.89140374 5.42108704]
 [1.93551346 8.45768507 8.60233715 8.09610975]
 [5.21892795 4.18786508 5.82665674 8.28397111]]"""[2:-2].replace("]\n [",";")).A

a2 = np.matrix("""[[2 5 1]
 [1 6 4]
 [0 0 0]
 [2 3 6]
 [4 2 4]]"""[2:-2].replace("]\n [",";")).A

print(f(a1,a2,5,2))

from itertools import groupby
from operator import itemgetter

print([[*map(itemgetter(1),grp)] for k,grp in groupby(np.argwhere(f(a1,a2,5,2).T),itemgetter(0))])

输出:

[[False  True  True  True]
 [ True  True  True  True]
 [False False False False]
 [ True False  True  True]
 [ True  True  True False]]
[[1, 3, 4], [0, 1, 4], [0, 1, 3, 4], [0, 1, 3]]