Вопрос: Замена значений, превышающих предел в массиве numpy


У меня есть массив n x m и максимальные значения для каждого столбца. Каков наилучший способ заменить значения, превышающие максимальные, помимо проверки каждого элемента?

Например:

def check_limits(bad_array, maxs):
    good_array = np.copy(bad_array)
    for i_line in xrange(bad_array.shape[0]):
        for i_column in xrange(bad_array.shape[1]):
            if good_array[i_line][i_column] >= maxs[i_column]:
                good_array[i_line][i_column] = maxs[i_column] - 1
    return good_array

В любом случае, сделать это быстрее и более сжатым способом?


4


источник


Ответы:


использование putmask :

import numpy as np

a = np.array([[ 0,  1,  2,  3],
              [ 4,  5,  6,  7],
              [ 8,  9, 10, 11]])
m = np.array([7,6,5,4])

# This is what you need:

np.putmask(a, a >= m, m - 1)

# a is now:

np.array([[0, 1, 2, 3],
          [4, 5, 4, 3],
          [6, 5, 4, 3]])

8



Если мы не предполагаем ничего о структуре bad_array, ваш код оптимален аргументом противников. Если мы знаем, что каждый столбец сортируется в порядке возрастания, то, как только мы достигнем значения, превышающего max, мы знаем, что каждый следующий элемент в этом столбце также выше предела, но если у нас нет такого предположения, мы просто имеем чтобы проверить каждый.

Если вы решите сначала отсортировать каждый столбец, это займет время (n columns * nlogn), которое уже больше, чем время n * n, необходимое для проверки каждого элемента.

Вы также можете создать good_array путем проверки и копирования в один элемент за раз, вместо копирования всех элементов из bad_array и проверять их позже. Это должно примерно сократить время в 5 раз.


0



Если количество столбцов невелико, одна оптимизация будет:

def check_limits(bad_array, maxs):
    good_array = np.copy(bad_array)
    for i_column in xrange(bad_array.shape[1]):
        to_replace = (good_array[:,i_column] >= maxs[i_column])
        good_array[to_replace, i_column] = maxs[i_column] - 1
    return good_array

0



Другой способ - использовать клип  функция:

используя пример eumiro:

bad_array = np.array([[ 0,  1,  2,  3],
                      [ 4,  5,  6,  7],
                      [ 8,  9, 10, 11]])
maxs = np.array([7,6,5,4])

good_array = bad_array.clip(max=maxs-1)

ИЛИ

bad_array.clip(max=maxs-1, out=good_array)

вы также можете указать нижний предел, добавив аргумент min =


0