gpt4 book ai didi

python - 具有容差的两个数据集的最长公共(public)子序列

转载 作者:行者123 更新时间:2023-12-04 09:16:25 28 4
gpt4 key购买 nike

我有四个 1D np.array s: x1, y1, x2, y2 , 其中 x1y2具有相同的长度,也是 x2y2具有相同的长度,因为它们是数据集对应的 x 和 y 值。 len(x1)len(x2)总是不同的。假设 len(x1) > len(x2)目前。这两个数组总是有共同的值,但以一种特殊的方式:这些值并不完全相同,只是在一个公差范围内(因为数值错误等)。公差 = 0.01 的示例:

x1 = np.array([0, 1.01, 1.09, 1.53, -9.001, 1.2, -52, 1.011])
x2 = np.array([1, 1.1, 1.2, 1.5, -9, 82])
我只想保留共同的值(以宽容的方式)。使用较短的数组作为引用,即 x2在这种情况下。 x2 中的第一个值是 1 , 并且在 x1 中有对应的值,即 1.01 .下一个: 1.2x2 中也有对应的值, 1.2 .值 1.5没有对应的值,因为 1.53超出公差,因此将其过滤掉,等等。
完整的结果应该是:
x1 = np.array([1.01, 1.09, -9.001, 1.2])
x2 = np.array([1, 1.1, -9, 1.2])
为了更进一步,基于以这种方式过滤 x 值,我想过滤两个数据集的相同索引的 y 值,换句话说,我想找到两个数据集的最长公共(public)子序列。请注意,这里的排序很重要,因为它与 y 值有联系(如果我们先对 x 进行 argsort 排序并重新索引 x 和 y 并不重要)。
我根据 this 所做的尝试回答:
def longest_common_subseq(x1, x2, y1, y2, tol=0.02):
# sort them first to keep x and y connected
idx1 = np.argsort(x1)
x1, y1 = x1[idx1], y1[idx1]
idx2 = np.argsort(x2)
x2, y2 = x2[idx2], y2[idx2]

# here I assumed that len(x2) < len(x1)
idx = (np.abs(x1[:,None] - x2) <= tol).any(axis=1)

return x1[idx], x2[idx], y1[idx], y2[idx]
在这种情况下,y 值可以是任意的,只有形状必须与 x1 匹配和 x2 .例如:
y1 = np.array([0, 1, 2, 3, 4, 5, 6, 7])
y2 = np.array([-1, 0, 3, 7, 11, -2])
尝试运行上面的函数会引发 IndexError: boolean index did not match indexed array along dimension 0 .
我理解:索引数组的长度是错误的,因为 x1x2有不同的长度,到目前为止我做不到。有没有很好的方法来实现这一点?
编辑:
如果多个值在公差范围内,则应选择最接近的值。

最佳答案

一种简单的方法是找到所有元素之间的距离:

dist = np.abs(x1 - x2[:, None])
既然你说通常你不会在任何其他元素的公差范围内有多个元素,你可以这样做
i2, i1 = np.nonzero(dist < tol)
如果您有多个匹配项,您可以先修剪匹配项:
i1 = np.argmin(dist, axis=1)
i2 = np.flatnonzero(dist[np.arange(x2.size), i1] < tol)
i1 = i1[i2]
如果原始数据已排序,则索引也会排序(它们将是对角线)。这意味着您可以通过检查索引之间的间距来检查子序列长度。匹配序列的两个索引都将递增 1。
mask = (np.diff(i1) == 1) & (np.diff(i2) == 1)
# smear the mask to include both endpoints
mask = np.r_[False, mask] | np.r_[mask, False]
# pad the mask to ensure proper indexing and find the changeover points
locs = np.diff(np.r_[False, mask, False])
inds = np.flatnonzero(locs)
lengths = inds[1::2] - inds[::2]
您可以从上面的数量中找到最长运行的指数:
k = np.argmax(lengths)
start = inds[2 * k]
stop = inds[2 * k + 1]
longest_x1 = x1[i1[start:stop]]
longest_y1 = y1[i1[start:stop]]
longest_x2 = x2[i2[start:stop]]
longest_y2 = y2[i2[start:stop]]

关于python - 具有容差的两个数据集的最长公共(public)子序列,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/63192384/

28 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com