Question

numpy中是否有一个函数可以保证或者更确切地修复一个数组，使其沿着一个特定的轴（非严格地）增加？例如，我有以下2D数组：

X = array([[1, 2, 1, 4, 5],
           [0, 3, 1, 5, 4]])

np.foobar(X)的输出应返回

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

foobar是否存在，或者是否需要使用np.diff和某些智能索引等手动执行此操作？

Answer 1

使用np.maximum.accumulate沿该轴运行（累计）最大值，以确保严格增加标准 -

var db0010016 = _idb0010016Rep.GetAll().Where(e => e.ExecutionTime.TimeOfDay.ToString() == viewmodel.ExecutionTime.ToString()).FirstOrDefault()

示例运行 -

np.maximum.accumulate(X,axis=1)

为了提高内存效率，我们可以使用In [233]: X Out[233]: array([[1, 2, 1, 4, 5], [0, 3, 1, 5, 4]]) In [234]: np.maximum.accumulate(X,axis=1) Out[234]: array([[1, 2, 2, 4, 5], [0, 3, 3, 5, 5]])参数将其分配回输入以进行原位更改。

运行时测试

案例＃1：数组作为输入

out

案例＃2：数据框作为输入

In [254]: X = np.random.rand(1000,1000)

In [255]: %timeit np.maximum.accumulate(X,axis=1)
1000 loops, best of 3: 1.69 ms per loop

# @cᴏʟᴅsᴘᴇᴇᴅ's pandas soln using df.cummax
In [256]: %timeit pd.DataFrame(X).cummax(axis=1).values
100 loops, best of 3: 4.81 ms per loop

Answer 2

pandas为您提供df.cummax功能：

import pandas as pd
pd.DataFrame(X).cummax(axis=1).values

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

如果您的数据已经加载到数据框中，那么知道手头有第一类函数是很有用的。

NumPy可以注意一个阵列（非严格地）沿着一个轴增加吗？

2 个答案: