python - 如何在 np 数组中随机选择一个元素(仅当它不是某个值时)

Question

我正在使用python。

我有一个可能很简单的问题，尽管我看不到它。

如果我有一个数组x = array([1.0,0.0,1.5,0.0,6.0])和y = array([1,2,3,4,5] )

我正在寻找一种有效的方法来在 1.0、1.5、6.0 之间随机选择，忽略所有零，同时保留索引进行比较与另一个数组，例如y。因此，如果我随机选择 6.0，我仍然可以将其与 y[4] 联系起来。

高效位的原因是，最终我想从 1000+ 数组中选择可能的 10 个值，其余为零。其他计算的强度取决于数组的大小，尽管它很容易变得比 1000 大得多。

谢谢

Answer 1

.nonzero() 只会跳过 0 ，对于您想要跳过的任何值，这是一个解决方案:

In [281]:

x = np.array([1.0,0.0,1.5,0.0,6.0])
non_zero_idx=np.argwhere(x!=0).flatten()
np.random.shuffle(non_zero_idx)
random_pick=x[non_zero_idx]
random_pick[0]
Out[281]:
1.5
In [282]:

%%timeit

x = np.array([1.0,0.0,1.5,0.0,6.0])
non_zero_idx=np.argwhere(x!=0).flatten()
np.random.shuffle(non_zero_idx)
random_pick=x[non_zero_idx]
random_pick[0]
10000 loops, best of 3: 104 µs per loop

如果您只是想获得一个随机选择(而不是随机选择的数组)，x[np.random.choice(non_zero_idx,1)]就足够了。但这实际上更慢:

In [286]:

%%timeit

x = np.array([1.0,0.0,1.5,0.0,6.0])
non_zero_idx=np.argwhere(x!=0).flatten()
x[np.random.choice(non_zero_idx,1)]
10000 loops, best of 3: 173 µs per loop

正如 @AndyHayden 指出的，有三种方法可以获取随机选择，不同的数组大小表现不同:

In [299]:

X=np.random.random(100000)
In [300]:

%timeit np.random.choice(X, 1)
%timeit X[np.random.randint(0,len(X),1)]
10000 loops, best of 3: 70.3 µs per loop
100000 loops, best of 3: 12.6 µs per loop
In [301]:

%%timeit
np.random.shuffle(X)
X[0]
10 loops, best of 3: 130 ms per loop

In [302]:

X=np.random.random(10000)
In [303]:

%timeit np.random.choice(X, 1)
%timeit X[np.random.randint(0,len(X),1)]
10000 loops, best of 3: 70.1 µs per loop
100000 loops, best of 3: 12.6 µs per loop
In [304]:

%%timeit
np.random.shuffle(X)
X[0]
100 loops, best of 3: 12.6 ms per loop

看来X[np.random.randint(0,len(X),1)]是最好的。