Question

我有三个类型为numpy.ndarray的数组，其维度为（n乘1），名为幅度，距离和权重。我想根据各自的距离 - 和权重 - 值，使用幅度数组的选定条目。例如，我想在一定距离范围内找到条目的索引，所以我写道：

index = np.where( (distance<10) & (distance>=5) )

然后我将继续使用amplitude(index)中的值。只要我只使用一个数组来指定条件，这就可以很好地工作。当我尝试例如

时

index = np.where( (distance<10) & (distance>=5) & (weight>0.8) )

操作变得超慢。为什么会这样，有没有更好的方法来完成这项任务？事实上，我最终想要使用6种不同数组之类的许多条件。

Answer 1

这只是一个猜测，但也许numpy正在播放你的数组？如果数组的形状完全相同，那么numpy将不会广播它们：

>>> distance = numpy.arange(5) > 2
>>> weight = numpy.arange(5) < 4
>>> distance.shape, weight.shape
((5,), (5,))
>>> distance & weight
array([False, False, False,  True, False], dtype=bool)

但如果他们有不同的形状，并且形状是可播放的，那么它会。 (n,)，(n, 1)和(1, n)都可以称为“n by 1”数组，它们并非完全相同：

>>> distance[None,:].shape, weight[:,None].shape
((1, 5), (5, 1))
>>> distance[None,:]
array([[False, False, False,  True,  True]], dtype=bool)
>>> weight[:,None]
array([[ True],
       [ True],
       [ True],
       [ True],
       [False]], dtype=bool)
>>> distance[None,:] & weight[:,None]
array([[False, False, False,  True,  True],
       [False, False, False,  True,  True],
       [False, False, False,  True,  True],
       [False, False, False,  True,  True],
       [False, False, False, False, False]], dtype=bool)

除了返回不需要的结果之外，如果阵列甚至是中等大小，这可能会导致大幅减速：

>>> distance = numpy.arange(5000) > 500
>>> weight = numpy.arange(5000) < 4500
>>> %timeit distance & weight
100000 loops, best of 3: 8.17 us per loop
>>> %timeit distance[:,None] & weight[None,:]
10 loops, best of 3: 48.6 ms per loop

Numpy.where：来自两个不同阵列的条件非常慢

1 个答案: