Question

我正在寻找一种简洁的方法：

 a = numpy.array([1,4,1,numpy.nan,2,numpy.nan])

为：

  b = numpy.array([1,5,6,numpy.nan,8,numpy.nan])

我目前能做的最好的事情是：

b = numpy.insert(numpy.cumsum(a[numpy.isfinite(a)]), (numpy.argwhere(numpy.isnan(a)) - numpy.arange(len(numpy.argwhere(numpy.isnan(a))))), numpy.nan)

是否有更短的方法来实现相同的目标？那么沿着2D阵列的轴做一个cumsum呢？

Answer 1

Pandas是numpy之上的库构建。它的 Series类有一个cumsum方法，可以保留nan，并且比DSM提出的解决方案快得多：

In [15]: a = arange(10000.0)

In [16]: a[1] = np.nan

In [17]: %timeit a*0 + np.nan_to_num(a).cumsum()
1000 loops, best of 3: 465 us per loop

In [18] s = pd.Series(a)

In [19]: s.cumsum()
Out[19]: 
0       0
1     NaN
2       2
3       5
...
9996    49965005
9997    49975002
9998    49985000
9999    49994999
Length: 10000

In [20]: %timeit s.cumsum()
10000 loops, best of 3: 175 us per loop

Answer 2

如果（对于不太大的数组）：

In [34]: import numpy as np

In [35]: a = np.array([1,4,1,np.nan,2,np.nan])

In [36]: a*0 + np.nan_to_num(a).cumsum()
Out[36]: array([  1.,   5.,   6.,  nan,   8.,  nan])

Answer 3

Masked arrays仅适用于此类情况。

>>> import numpy as np
>>> from numpy import ma
>>> a = np.array([1,4,1,np.nan,2,np.nan])
>>> b = ma.masked_array(a,mask = (np.isnan(a) | np.isinf(a)))
>>> b
masked_array(data = [1.0 4.0 1.0 -- 2.0 --],
         mask = [False False False  True False  True],
   fill_value = 1e+20)
>>> c = b.cumsum()
>>> c
masked_array(data = [1.0 5.0 6.0 -- 8.0 --],
         mask = [False False False  True False  True],
   fill_value = 1e+20)
>>> c.filled(np.nan)
array([  1.,   5.,   6.,  nan,   8.,  nan])

考虑到NaNs的Numpy cumsum

3 个答案: