我有一个由 (X,Y,Z,A) 值组成的二维 Numpy 数组,其中 (X,Y,Z) 是 3D 空间中的笛卡尔坐标,A 是该位置的某个值。举个例子..
__X__|__Y__|__Z__|__A_
13 | 7 | 21 | 1.5
9 | 2 | 7 | 0.5
15 | 3 | 9 | 1.1
13 | 7 | 21 | 0.9
13 | 7 | 21 | 1.7
15 | 3 | 9 | 1.1
有没有一种有效的方法来找到 (X,Y) 的所有唯一组合,并将它们的值相加?例如,(13,7) 的总数为 (1.5+0.9+1.7),即 4.1。
最佳答案
scipy.sparse
矩阵采用此类信息,但仅为 2d
sparse.coo_matrix((data, (row, col)))
row
和 col
是索引,例如您的 X
、Y
和 Z
。它对重复项求和。
这样做的第一步是对索引进行词法
排序。这会将具有匹配坐标的点彼此相邻。
我相信,实际的分组和求和是在编译代码中完成的。用 numpy
术语来说,要做到这么快,部分困难在于每个组中的元素数量是可变的。有些是独一无二的,有些可能有 3 个或更多。
Python itertools
有一个 groupby
工具。 Pandas 也有分组功能。我还可以想象使用 default_dict
对值进行分组和求和。
ufunc
reduceat
也可能有效,尽管它在 1d 中比在 2 或 3 中更容易使用。
如果您忽略 Z
,稀疏 coo_matrix
方法可能是最简单的。
In [2]: X=np.array([13,9,15,13,13,15])
In [3]: Y=np.array([7,2,3,7,7,3])
In [4]: A=np.array([1.5,0.5,1.1,0.9,1.7,1.1])
In [5]: M=sparse.coo_matrix((A,(X,Y)))
In [15]: M.sum_duplicates()
In [16]: M.data
Out[16]: array([ 0.5, 2.2, 4.1])
In [17]: M.row
Out[17]: array([ 9, 15, 13])
In [18]: M.col
Out[18]: array([2, 3, 7])
In [19]: M
Out[19]:
<16x8 sparse matrix of type '<class 'numpy.float64'>'
with 3 stored elements in COOrdinate format>
这是我对 lexsort 的想法
In [32]: Z=np.array([21,7,9,21,21,9])
In [33]: xyz=np.stack([X,Y,Z],1)
In [34]: idx=np.lexsort([X,Y,Z])
In [35]: idx
Out[35]: array([1, 2, 5, 0, 3, 4], dtype=int32)
In [36]: xyz[idx,:]
Out[36]:
array([[ 9, 2, 7],
[15, 3, 9],
[15, 3, 9],
[13, 7, 21],
[13, 7, 21],
[13, 7, 21]])
In [37]: A[idx]
Out[37]: array([ 0.5, 1.1, 1.1, 1.5, 0.9, 1.7])
当像这样排序时,Z
坐标变得更加明显,至少对于这个目的而言是这样。
使用 reduceat
对组求和:
In [40]: np.add.reduceat(A[idx],[0,1,3])
Out[40]: array([ 0.5, 2.2, 4.1])
(现在我只看了 [0,1,3] 列表)
关于arrays - 针对唯一值的高效数据筛选 (Python),我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/43790938/