假设我有一个 numpy 数组,它在二维空间中保存点,如下所示
np.array([[3, 2], [4, 4], [5, 4], [4, 2], [4, 6], [9, 5]])
我还有一个 numpy 数组,将每个点标记为一个数字,这个数组是一个一维数组,长度为点数组中的点数。
np.array([0, 1, 1, 0, 2, 1])
现在我想取标签数组中具有索引的每个点的平均值。因此,对于所有标签为 0 的点,取这些点的平均值。 我目前解决这个问题的方法是以下方法
return np.array([points[labels==k].mean(axis=0) for k in range(k)])
其中 k 是标签数组中的最大数字,或者称为标记点的方法数。
我想要一种不使用 for 循环来执行此操作的方法,也许我还没有发现一些 numpy 功能?
最佳答案
方法#1:在braodcasting
的一些帮助下,我们可以利用矩阵乘法
-
mask = labels == np.arange(labels.max()+1)[:,None]
out = mask.dot(points)/np.bincount(labels).astype(float)[:,None]
sample 运行-
In [36]: points = np.array([[3, 2], [4, 4], [5, 4], [4, 2], [4, 6], [9, 5]])
...: labels = np.array([0, 1, 1, 0, 2, 1])
# Original soln
In [37]: L = labels.max()+1
In [38]: np.array([points[labels==k].mean(axis=0) for k in range(L)])
Out[38]:
array([[3.5 , 2. ],
[6. , 4.33333333],
[4. , 6. ]])
# Proposed soln
In [39]: mask = labels == np.arange(labels.max()+1)[:,None]
...: out = mask.dot(points)/np.bincount(labels).astype(float)[:,None]
In [40]: out
Out[40]:
array([[3.5 , 2. ],
[6. , 4.33333333],
[4. , 6. ]])
方法#2:使用np.add.at
-
sums = np.zeros((labels.max()+1,points.shape[1]),dtype=float)
np.add.at(sums,labels,points)
out = sums/np.bincount(labels).astype(float)[:,None]
方法#3:如果从 0 到 max-label 中的所有数字都出现在 labels
中,我们也可以使用 np.add.reduceat
-
sidx = labels.argsort()
sorted_points = points[sidx]
sums = np.add.reduceat(sorted_points,np.r_[0,np.bincount(labels)[:-1].cumsum()])
out = sums/np.bincount(labels).astype(float)[:,None]
关于python - Numpy 根据条件拆分数组,无需 for 循环,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/54889608/