1

我这周刚开始使用 numpy，对此感到非常困惑。似乎与普通的 python 函数有很大不同。

对于一个形状为 1000X6 的数组，有没有办法在数组中逐行检查并检查例如等边三角形。我有 6 列，因此每行有三元组，每个点有 2 个整数。

import numpy as np
pnts = np.random.randint(0,50,(1000, 6))

我还认为创建 3 个这样的数组可能会更好：

import numpy as np
A = np.random.random((10,2))
B = np.random.random((10,2))
C = np.random.random((10,2))

创建有序对，然后使用算法找到三角形。

有没有更好的方法来创建一个表示 1000 个三元组有序对的数组，以及如何在该数组中找到三角形，例如等边三角形。

我现在做了一些改变。我为 x 坐标和 y 坐标制作了两个数组。

x = np.random.randint(0,10,(3,1000))
y = np.random.randint(0,10,(3,1000))

############# 添加到问题#############

我有算法可以获取每个匹配的 x 和 y 坐标，这些坐标可以找到每个三角形的边长和角度。我会发布，但它的代码太多了。而且现在我还有使用角度和边长来查找不等边线、等边线、右等腰线和非右等腰线的功能。

我的问题现在与索引有关。我将再次使用等边三角形作为示例，因为这是我们一直在使用的。

E = np.column_stack((ACXY,ABXY,CBXY))
ES = np.logical_and(E[:,0] == E[:,1], E[:,1] == E[:,2])

我有这个找到等边三角形。

- ACXY = the distance from point A to C
- ABXY = the distance from point A to B
- CBXY = the distance from point C to B

我希望能够获取所有等边三角形的坐标三元组，对它们进行索引并将它们放入一个名为 E_Tri 的新数组中。我认为我不需要创建布尔值的函数。我认为也许 If: else: 语句可能是更好的方法。

这也可能有帮助，我将显示E = np.column_stack((ACXY,ABXY,CBXY)) 以帮助理解 (E) 的数组。

[[  4.           4.47213595   7.21110255]
 [  3.60555128   2.23606798   5.83095189]
 [  2.23606798   9.05538514   8.54400375]
 ..., 
 [  3.60555128   9.05538514   6.08276253]
 [  8.94427191   8.54400375   1.        ]
 [ 10.63014581   1.          10.        ]]

E 看起来像这样。希望这是有道理的，如果没有，请告诉我。

可能是这样的，即使这只是增加问题。

E = np.column_stack((ACXY,ABXY,CBXY))
equilateral = [] 
def E_Tri(E):
    if E[:,0] == E[:,1] and E[:,1] == E[:,2]:
        equilateral.append(E_Tri)
    else:
        return E
4

1 回答 1

3

您已经很好地描述了如何存储数据，但没有描述算法是什么。例如，如果我们想回答“这组三个 (x,y) 点 P1..P3 是否是等边三角形”这个问题，我们可以这样表述：

dist(P1,P2) == dist(P2,P3) == dist(P3,P1)

哪里dist(P1,P2)使用勾股定理：

sqrt((P1.x - P2.x)**2 + (P1.y - P2.y)**2)

但请注意，这sqrt()是不必要的，因为我们关心的是所有三条腿的长度是否相等（如果它们相等，它们的正方形也将相等）。

在 NumPy 中，我们希望以可并行化的方式完成所有工作。所以如果你有一个代表 1000 个三角形的 1000x6 数组，你需要一次对 1000 个元素执行所有操作。如果数组被称为 A 并且它的列是：

P1.x, P1.y, P2.x, P2.y, P3.x, P3.y

然后第一个操作是：

A[0] - A[2] # P1.x - P2.x
A[1] - A[3] # P1.y - P2.y
A[2] - A[4]
A[3] - A[5]
A[4] - A[0]
A[5] - A[1]

可以更简洁地写成：

R = A - np.roll(A, -2, axis=0) # 1000x6 array of all differences

完成后，您可以一次将所有这些 1000x6 的结果平方，给我们一个 1000x6 的数组 R，我们从中添加 x 和 y 对以获得距离的平方：

R[0] + R[1] # (P1.x - P2.x)**2 + (P1.y - P2.y)**2
R[2] + R[3]
R[4] + R[5]

也就是说：

S = R[0::2] + R[1::2] # three column-wise additions at once

这给了我们 1000x3 距离平方数组 S。现在我们只需检查每一行的列是否都相等：

np.logical_and(S[0] == S[1], S[1] == S[2])

这给了我们 1000x1 的布尔向量，它告诉我们每一行是否是等边三角形。

请注意，我们从未以迭代方式逐行进行。这是因为在 NumPy 中这样做比按列操作要慢得多。

请注意，我已经写了上面假设数组的形状实际上是(6,1000)当我说1000x6. 这是为了方便表示法（A[0]而不是A[:,0]），并且因为 NumPy 默认使用行优先顺序，所以当我们对列进行操作时它更有效。如果需要，您可以np.transpose()输入数据。

所以最后它只是：

A = pnts.T
R = np.square(A - np.roll(A, -2, axis=0))
S = R[0::2] + R[1::2] # 1000x3 squares of distances
np.logical_and(S[0] == S[1], S[1] == S[2]) # 1000 True/False results
于 2016-04-22T04:47:41.273 回答