假设我有 numpy 数组
a = np.array([1,3,5,7,9,11,13])
b = np.array([3,5,7,11,13])
我想创建一个大小为 a 的 bool 数组,其中每个条目是 True 或 False,具体取决于 a 的元素是否也在 b 中。
所以在这种情况下,我想要
a_b = np.array([False,True,True,True,False,True,True]).
当 b 由一个元素组成时,我可以执行此操作,即 a == b[0]。当 b 的长度大于 1 时,有没有快速的方法来做到这一点。
最佳答案
使用numpy.in1d
:
In [672]: np.in1d([1,2,3,4], [1,2])
Out[672]: array([ True, True, False, False], dtype=bool)
对于您的数据:
In [674]: np.in1d(a, b)
Out[674]: array([False, True, True, True, False, True, True], dtype=bool)
根据文档,此功能在 1.4.0 或更高版本中可用。该文档还描述了该操作在纯 Python 中的外观:
in1d
can be considered as an element-wise function version of the python keywordin
, for 1-D sequences.in1d(a, b)
is roughly equivalent tonp.array([item in b for item in a])
.
该函数的文档值得一读,因为有 invert
关键字参数和 assume_unique
关键字参数 - 每个参数在某些情况下都非常有用.
我还发现使用 np.vectorize
和 operator.contains
创建自己的版本很有趣:
from operator import contains
v_in = np.vectorize(lambda x,y: contains(y, x), excluded={1,})
然后:
In [696]: v_in([1,2,3, 2], [1, 2])
Out[696]: array([ True, True, False, True], dtype=bool)
因为 operator.contains
翻转了参数,所以我需要 lambda
来使调用约定与您的用例相匹配 - 但如果可以的话,您可以跳过此步骤首先调用 b
,然后调用 a
。
但请注意,您需要对 vectorize
使用 excluded
选项,因为您希望哪个参数代表 b
序列(要检查的序列)的成员资格)实际上保留为序列(因此,如果您选择不使用 lambda
翻转 contains
参数,那么您需要排除索引 0
不是 1
)。
使用 in1d
的方式肯定会更快,并且是更好的方式,因为它依赖于众所周知的内置函数。但有时了解如何使用 operator
和 vectorize
来实现这些技巧是很有好处的。
您甚至可以创建一个 Python Infix recipe instance为此,然后使用 v_in
作为“中缀”操作:
v_in = Infix(np.vectorize(lambda x,y: contains(y, x), excluded={1,}))
# even easier: v_in = Infix(np.in1d)
和示例用法:
In [702]: v_in([1, 2, 3, 2], [1, 2])
Out[702]: array([ True, True, False, True], dtype=bool)
In [704]: [1, 2, 3, 2] <<v_in>> [1, 2]
Out[704]: array([ True, True, False, True], dtype=bool)
关于python - Numpy 搜索子集中数组的元素,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/27217325/