问题标签 [numpy-ndarray]

从以下数组：

如何删除包含 'a' 的行？预期结果 ：

我在 Python 中有这段代码

在哪里

我想矢量化或以其他方式使其更高效，即更快，并且如果可能的话在内存消耗上更经济。这里，我的 ax 和 ay 指的是数组 A 的绝对元素，而 rx 和 ay 是相对坐标。所以，我正在更新计数器数组 A。

我的表 A 可以是 1000x1000，而 ax,ay 是 100x1，cx,cy 是 300x1。整个事情都在循环中，最好是优化的代码不会继续创建 A 大小的大表。

这个问题与我之前提出的问题有关，但由于增量的工作方式，它并不直接适用于这种情况。这是一个例子。

这段代码正是我想要的：

但是，下面的代码不起作用，因为当我们递增一个数组时，它会预先计算数组的右侧：

这个解决方案在数字的正确性方面起作用，但它不是最快的，可能是因为 np.add.at() 函数没有缓冲：

我有以下形状的 3D 数组

我正在尝试进行高级索引以提取子数组，例如：

在以下情况下，我希望结果是 shape (4, 2)。

由于我们确实__getitem__沿第一个维度调用该维度将消失。沿着第二个轴，我们对所有内容进行切片，使其应该是4，沿着最后一个轴，它应该是2。所以，我们应该得到 shape 的结果子数组，(4, 2)但我们得到的是 shape (2, 4)。为什么会出现这种歧义？我应该如何解释结果？

使用这个可重现的小示例，到目前为止，我无法从 3 个数组中生成一个新的整数数组，该数组包含所有三个输入数组的唯一分组。

这些数组与地形属性有关：

这个想法是使用 GIS 例程将地理轮廓分为 3 个不同的属性：

• 1-8 表示方面（1 = 朝北，2 = 朝东北等）
• 9-12 坡度（9=平缓坡度...12=最陡坡度）
• 13-16 表示海拔（13=最低海拔...16=最高海拔）

下面的小图试图描述我所追求的结果（数组显示在左下角）。请注意，图中给出的“答案”只是一种可能的答案。我不关心结果数组中整数的最终排列，只要最终数组在每个行/列索引处包含一个标识唯一分组的整数即可。

例如，[0,1] 和 [0,2] 处的数组索引具有相同的坡向、坡度和高程，因此在结果数组中接收相同的整数标识符。

numpy是否有针对这种事情的内置例程？

和标题说的差不多。我已经阅读了文档并且我已经使用了一段时间的功能，但我无法辨别这种转换的物理表现是什么。

我有一个如下的张量和一个 numpy 二维数组

我想将该行中的元素在这些索引处分配为零。但是我不能索引张量并分配给它。我曾尝试使用tf.gather函数，但我该如何做作业？我想将它保留为张量，然后在可能的情况下在最后的会话中运行它。

我已经实现了从 Python 2.7 中的 ndarray 中删除一些列和行的算法，但是我觉得应该有更好的方法来做到这一点。可能我不知道如何在 Python 中做得很好，这就是我把问题放在这里的原因。我一直在搜索，但我没有成功找到类似的问题和文档（例如在scipy 切片和索引文档中）

假设我有一个包含一些行和列的 ndarray：

哪个输出是：

假设我想删除前一个 ndarray 的一些列和/或行。特别是我想删除第 0 列和第 1 行，这是一个输出，如：

为此，我遵循以下步骤，但是它们看起来也不是很优雅，我觉得它们应该是一个更好的实现。

1. 我选择要删除的列和行，在此示例中：

   /li>

2. 现在我创建了几个列表，其中包含要保留的列和行。

   Matlab 中的这一步将更简单，只需使用 ~ 来分割矩阵的索引（在 python ndarray 中）。有一个更好的方法吗？.

3. 然后我选择要保留的那些列和行：

   /li>

输出：

请注意，如果您只写：

输出是：

这对我来说有点令人毛骨悚然，这a[rows_to_keep,columns_to_keep]与a[rows_to_keep,:][:,columns_to_keep]. 有没有更好的方法来涵盖这些步骤？

非常感谢你

我有一个像这样的ndarray：

但我想要这样的东西：

为此，我想避免一一进行，我更喜欢在数组或矩阵中进行，因为稍后我想扩展代码。不，我已经更改了初始矩阵的子矩阵（在数学术语中，就本示例 ndarray 而言）。在示例中，考虑的列是 [1,2] 和行 [0,1]。

我的第一次尝试是：

但是这不会修改初始的 a，我没有任何错误，所以 a=

所以我实现了一段代码来完成这项工作：

艾尔认为前面的几行可以完成这项工作，我想知道如何以更快的方式进行切片。也可以通过以下方式：

所需的输出是

非常感谢！

我正在做一些计算，并测量ufunc在不同轴上的性能np.cumsum，以使代码更具性能。

cumsum轴 1 上的速度几乎是轴 0 上的2 倍。cumsum为什么会这样，幕后发生了什么？很高兴能清楚地了解其背后的原因。谢谢！

更新：经过一番研究，我意识到如果有人正在构建一个应用程序，他们总是只对某个轴求和，那么数组应该以适当的顺序初始化：即轴 = 1 总和的C 顺序或Fortran 顺序对于axis = 0 sums，以节省CPU时间。

另外：这个关于连续数组和非连续数组之间差异的优秀答案有很大帮助！

我有一个使用线性矩阵变换的“粒子传播”相对简单的例子。

我的粒子分布基本上是一组（“束”）5维向量。它通常包含 100k 到 1M 个这样的向量。

这些向量中的每一个都必须乘以一个矩阵。

到目前为止我想出的解决方案如下。

粒子是这样创建的，协方差矩阵在这里显示为对角线，但这是为了一个相对简单的示例：

传播矩阵很简单

我的解决方案einsum是

（请注意，这里我滑动以仅获取向量的前四个坐标，但原因无关）。

有没有办法显着加快速度？

我对所有细节没有清晰的看法，但这里有一些想法：

• einsum默认情况下不调用 BLAS 但使用内部 SSE 优化，有没有办法用纯 BLAS 调用来表达我的问题，这会使其更快？
• 显然最近版本einsum的optimize选项可以打开以在更广泛的情况下回退到 BLAS 调用。我试过了，它不会改变执行时间。
• PyPy 和 numpy 会更好吗？

我测试了@Divakar 的建议，它确实更快（10M 粒子）：

与我最初的相比

一个可能影响最终答案的直接相关问题：

我该如何处理“丢失”的粒​​子？

在逐个粒子矩阵相乘之后，我将检查一些坐标的上限，例如 (r是上一步的结果：

然后应用 的下一轮矩阵乘法r[ind]。

有几件事我不清楚：

• 这是最有效的吗？
• 它不会创建太多副本吗？
• 在跟踪它们丢失的事实（通过掩码）的同时“保留”未选择的粒子（并无论如何将它们相乘）不是更好吗？那是更多的乘法，但是可以将所有内容都保存在一个对象中，而无需进一步分配并保持所有内容对齐？